論文の概要: Progressive Code Integration for Abstractive Bug Report Summarization

• arxiv url: http://arxiv.org/abs/2512.00325v1
• Date: Sat, 29 Nov 2025 05:35:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.170996
• Title: Progressive Code Integration for Abstractive Bug Report Summarization
• Title（参考訳）: 抽象バグレポート要約のためのプログレッシブコード統合
• Authors: Shaira Sadia Karim, Abrar Mahmud Rahim, Lamia Alam, Ishmam Tashdeed, Lutfun Nahar Lota, Md. Abu Raihan M. Kamal, Md. Azam Hossain,
• Abstract要約: 本稿では,抽象バグレポート要約のためのプログレッシブコード統合フレームワークを提案する。 このアプローチでは、長いコードスニペットをテキストコンテンツと一緒にインクリメンタルに組み込んでいます。 我々のパイプラインは抽出ベースラインを7.5%-58.2%向上させ、最先端の抽象手法に匹敵する性能を達成する。
• 参考スコア（独自算出の注目度）: 0.32004175453646166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bug reports are often unstructured and verbose, making it challenging for developers to efficiently comprehend software issues. Existing summarization approaches typically rely on surface-level textual cues, resulting in incomplete or redundant summaries, and they frequently ignore associated code snippets, which are essential for accurate defect diagnosis. To address these limitations, we propose a progressive code-integration framework for LLM-based abstractive bug report summarization. Our approach incrementally incorporates long code snippets alongside textual content, overcoming standard LLM context window constraints and producing semantically rich summaries. Evaluated on four benchmark datasets using eight LLMs, our pipeline outperforms extractive baselines by 7.5%-58.2% and achieves performance comparable to state-of-the-art abstractive methods, highlighting the benefits of jointly leveraging textual and code information for enhanced bug comprehension.
• Abstract（参考訳）: バグレポートは、しばしば非構造的で冗長であり、開発者がソフトウェア問題を効率的に理解することは困難である。 既存の要約アプローチは通常、表面レベルのテキストキューに依存しており、結果として不完全あるいは冗長な要約が発生し、正確な欠陥診断に不可欠な関連コードスニペットを頻繁に無視する。 これらの制約に対処するため,LLMに基づく抽象バグレポート要約のためのプログレッシブコード統合フレームワークを提案する。 我々のアプローチは、テキストコンテンツと並んで長いコードスニペットを段階的に組み込んで、標準のLLMコンテキストウィンドウ制約を克服し、意味的に豊かな要約を生成する。 8つのLSMを用いて4つのベンチマークデータセットを評価したところ、パイプラインは抽出ベースラインを7.5%-58.2%向上させ、最先端の抽象メソッドに匹敵するパフォーマンスを実現し、テキスト情報とコード情報の併用によるバグ理解の強化のメリットを強調した。

関連論文リスト

• Beyond Synthetic Benchmarks: Evaluating LLM Performance on Real-World Class-Level Code Generation [3.9189409002585567]
  大規模言語モデル(LLM)は関数レベルのコード生成ベンチマークで強い性能を示している。 本稿では,実環境下での一般化を評価するために,実世界のオープンソースリポジトリから得られたベンチマークを紹介する。 入力仕様の完全性と検索拡張生成が複数の最先端LCMのクラスレベルの正しさにどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2025-10-30T04:30:23Z)
• Guided Code Generation with LLMs: A Multi-Agent Framework for Complex Code Tasks [1.9198713957364215]
  大規模言語モデル(LLM)は、コード生成タスクにおいて顕著な機能を示している。 複雑な、長いコンテキストプログラミングの課題に対処する上で、それらは重大な制限に直面します。 「案内コード生成のための新しいエージェント・フレームワーク」について紹介する。
  論文  参考訳（メタデータ） (2025-01-11T19:21:53Z)
• Meta-Chunking: Learning Text Segmentation and Semantic Completion via Logical Perception [10.614437503578856]
  本稿では,チャンキング品質を特に向上させるメタチャンキングフレームワークを提案する。 我々は不確実性に基づく2つの適応的チャンキング手法、すなわちPerplexity ChunkingとMargin Sampling Chunkingを設計する。 我々は,2段階の階層的要約生成プロセスと3段階のテキストチャンク書き換え手順を含むグローバル情報補償機構を確立する。
  論文  参考訳（メタデータ） (2024-10-16T17:59:32Z)
• Source Code Summarization in the Era of Large Language Models [34.80939934434718]
  大規模言語モデル(LLM)は、コード関連のタスクのパフォーマンスを大幅に向上させた。 本稿では,LLMにおけるコード要約の体系的および包括的研究を行う。
  論文  参考訳（メタデータ） (2024-07-09T05:48:42Z)
• AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
  抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。 提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
  論文  参考訳（メタデータ） (2023-11-16T02:56:29Z)
• BooookScore: A systematic exploration of book-length summarization in the era of LLMs [53.42917858142565]
  我々は,識別されたエラータイプを一切含まない要約文の割合を計測する自動測度BooookScoreを開発した。 GPT-4 や 2 のようなクローズドソース LLM は,オープンソースモデルよりも BooookScore の高いサマリーを生成することがわかった。
  論文  参考訳（メタデータ） (2023-10-01T20:46:44Z)
• Evaluating the Factual Consistency of Large Language Models Through News Summarization [97.04685401448499]
  本稿では,要約タスクに着目したFIB(Factual Inconsistency Benchmark)と呼ばれる新しいベンチマークを提案する。 現実的に一貫した要約では、手作業で事実的に一貫したものとして検証する、人書きの参照要約を使用します。 現実的に矛盾しない要約に対して、我々は、事実的に矛盾しているとして手動で注釈付けした一連の要約モデルから要約を生成する。
  論文  参考訳（メタデータ） (2022-11-15T18:50:34Z)

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。