論文の概要: A Code Smell Refactoring Approach using GNNs

• arxiv url: http://arxiv.org/abs/2511.12069v1
• Date: Sat, 15 Nov 2025 07:21:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.581014
• Title: A Code Smell Refactoring Approach using GNNs
• Title（参考訳）: GNNを用いたコードスメルリファクタリング手法
• Authors: HanYu Zhang, Tomoji Kishi,
• Abstract要約: コードの臭いはソフトウェアにおいて大きな課題であり、遅延設計や実装上の欠陥を示している。 本研究では,コードの臭いに対するグラフに基づく深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 7.718926822172738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code smell is a great challenge in software refactoring, which indicates latent design or implementation flaws that may degrade the software maintainability and evolution. Over the past decades, a variety of refactoring approaches have been proposed, which can be broadly classified into metrics-based, rule-based, and machine learning-based approaches. Recent years, deep learning-based approaches have also attracted widespread attention. However, existing techniques exhibit various limitations. Metrics- and rule-based approaches rely heavily on manually defined heuristics and thresholds, whereas deep learning-based approaches are often constrained by dataset availability and model design. In this study, we proposed a graph-based deep learning approach for code smell refactoring. Specifically, we designed two types of input graphs (class-level and method-level) and employed both graph classification and node classification tasks to address the refactoring of three representative code smells: long method, large class, and feature envy. In our experiment, we propose a semi-automated dataset generation approach that could generate a large-scale dataset with minimal manual effort. We implemented the proposed approach with three classical GNN (graph neural network) architectures: GCN, GraphSAGE, and GAT, and evaluated its performance against both traditional and state-of-the-art deep learning approaches. The results demonstrate that proposed approach achieves superior refactoring performance.
• Abstract（参考訳）: コードの臭いはソフトウェアのリファクタリングにおいて大きな課題であり、ソフトウェア保守性と進化を損なう可能性のある設計や実装上の欠陥を示しています。 過去数十年にわたって、さまざまなリファクタリングアプローチが提案されており、メトリクスベース、ルールベース、マシンラーニングベースのアプローチに広く分類することができる。 近年,ディープラーニングに基づくアプローチも注目されている。 しかし、既存の技術には様々な制限がある。 メトリクスとルールベースのアプローチは、手動で定義されたヒューリスティックとしきい値に大きく依存するが、ディープラーニングベースのアプローチは、データセットの可用性とモデル設計によって制約されることが多い。 本研究では,コードの臭いを再現するグラフに基づく深層学習手法を提案する。 具体的には、2種類の入力グラフ(クラスレベルとメソッドレベル)を設計し、グラフ分類とノード分類タスクの両方を用いて、3つの代表的なコードの臭いのリファクタリングに対処した。 本実験では,手作業の少ない大規模データセットを生成可能な半自動データセット生成手法を提案する。 提案手法をGCN, GraphSAGE, GATの3つの古典的GNNアーキテクチャを用いて実装し, 従来型および最先端のディープラーニングアプローチに対して性能評価を行った。 その結果,提案手法が優れたリファクタリング性能を実現することが示された。

関連論文リスト

• From Data to Rewards: a Bilevel Optimization Perspective on Maximum Likelihood Estimation [11.440362964307958]
  生成モデルは現代の機械学習のバックボーンを形成し、テキスト、ビジョン、マルチモーダルアプリケーションにおける最先端システムを支える。 これらのアプローチは明示的な報酬信号に依存しており、実際には利用できないことが多く、高品質なデータセットのみがアクセス可能である場合に生成モデルをどのように整合させるかという問題を解き放つ。 そこでは、報酬関数を外部問題の最適化変数として扱い、政策勾配の目的が内部レベルを定義する。
  論文  参考訳（メタデータ） (2025-10-08T23:45:37Z)
• Deepfake Detection that Generalizes Across Benchmarks [48.85953407706351]
  ディープフェイク検出器の非表示操作技術への一般化は、実用的展開の課題である。 この研究は、基礎となる事前学習された視覚エンコーダのパラメータ効率適応により、ロバストな一般化が達成可能であることを示す。 提案手法は、平均的クロスデータセットAUROCにおける、より複雑な、最新のアプローチよりも優れた、最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-08-08T12:03:56Z)
• How to Make LLMs Strong Node Classifiers? [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)
• Boosting CNN-based Handwriting Recognition Systems with Learnable Relaxation Labeling [48.78361527873024]
  本稿では,2つの異なる手法の強みを組み込んだ手書き文字認識手法を提案する。 本稿では,アルゴリズムの収束を加速し,システム全体の性能を向上させるスペーシフィケーション手法を提案する。
  論文  参考訳（メタデータ） (2024-09-09T15:12:28Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。