論文の概要: Fine-tuned LLM-based Code Migration Framework

• arxiv url: http://arxiv.org/abs/2512.13515v1
• Date: Mon, 15 Dec 2025 16:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.760587
• Title: Fine-tuned LLM-based Code Migration Framework
• Title（参考訳）: 微調整LDMベースのコードマイグレーションフレームワーク
• Authors: Oleg Grynets, Vasyl Lyashkevych, Dmytro Baran, Maksym Orliansky, Taras Zelenyy, Markiian Leshchyshyn,
• Abstract要約: 本研究は,自動サンプリングマイグレーションの領域における研究成果と実験的検証について述べる。 提案手法は,従来のソフトウェア工学技術の優れた側面を活用するフレームワークとして,基本的には現れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The study presents the outcomes of research and experimental validation in the domain of automated codebase migration, with a focus on addressing challenges in transitioning SQL-based systems. The proposed method for migration essentially appears as a framework that leverages the best aspects of traditional software engineering techniques and provides an iterative, scalable, precise and efficient solution for modern database transformations. The central piece of the approach is the integration of a fine-tuned Large Language Model to address critical issues in SQL code conversion, such as syntax mapping, resolving discrepancies between Oracle PL/SQL and PostgreSQL, and optimising database elements such as stored procedures, triggers, views, and overall database logic. Thus, the method involves a trade-off between fine-tuning and prompt engineering. Special attention is given to a fine-tuning approach, which enhances the adaptability and compatibility with migration requirements across the entire database. According to the achieved results, fine-tuning plays a very important role. The study employs targeted evaluation methodologies along with computational metrics to measure the success of iterative conversion cycles. Core innovations include automated SQL feature detection, semi-supervised error analysis and integration of Subject Matter Experts feedback within a systematic migration workflow. The methodology achieves significant reductions in Syntax Error Rates, enhances feature alignment throughout migration iterations, and leverages dataset sampling to ensure continual improvement. By embedding GAI into the migration process, the framework facilitates precise feature mapping, semi-automated error resolution, and data-driven optimisation loops, improving workflow efficiency.
• Abstract（参考訳）: この研究は、SQLベースのシステムを移行する際の課題に対処することに焦点を当て、自動コードベースマイグレーションの領域における研究結果と実験的な検証結果を示す。 提案手法は基本的に,従来のソフトウェアエンジニアリング技術の優れた側面を活用するフレームワークとして現れ,現代的なデータベーストランスフォーメーションのための反復的かつスケーラブルで,正確な,効率的なソリューションを提供する。 このアプローチの中心となるのは,構文マッピングやOracle PL/SQLとPostgreSQLの相違解消,ストアドプロシージャやトリガ,ビュー,データベースロジック全体といったデータベース要素の最適化といった,SQLコード変換の重要な問題に対処するための,微調整された大規模言語モデルの統合だ。 したがって、この手法は微調整と迅速な工学のトレードオフを伴う。 これにより、データベース全体にわたるマイグレーション要求への適応性と互換性が向上する。 達成された結果によると、微調整は非常に重要な役割を果たす。 この研究は、反復変換サイクルの成功を測定するために、目標評価手法と計算指標を用いている。 中心となるイノベーションは、自動SQL機能検出、半教師付きエラー分析、システマティックなマイグレーションワークフロー内での課題専門専門家のフィードバックの統合などだ。 この手法は、構文エラー率を大幅に削減し、移行イテレーション全体の機能の整合性を高め、データセットのサンプリングを活用して継続的な改善を確実にする。 GAIをマイグレーションプロセスに組み込むことで、正確な機能マッピング、半自動エラー解決、データ駆動の最適化ループが容易になり、ワークフロー効率が向上する。

関連論文リスト

• Prompt Tuning for Natural Language to SQL with Embedding Fine-Tuning and RAG [1.988259704465628]
  本稿では,エラーの型を診断し,原因を同定するエラー訂正機構を統合する新しいフレームワークを提案する。 既存のベースラインよりも12%の精度向上を実現しています。
  論文  参考訳（メタデータ） (2025-11-11T13:41:13Z)
• MTIR-SQL: Multi-turn Tool-Integrated Reasoning Reinforcement Learning for Text-to-SQL [46.37961458768655]
  大規模言語モデル (LLM) は、テキストから認識するタスクにますます使われている。 既存のメソッドは、リアルタイムエラー訂正を制限する静的な実行フィードバックに依存している。 本稿では, MTIR-IDERを提案する。
  論文  参考訳（メタデータ） (2025-10-29T13:34:27Z)
• TableZoomer: A Collaborative Agent Framework for Large-scale Table Question Answering [26.00027389659854]
  TableZoomerは、テーブル質問応答(TQA)タスクのためのプログラミングベースのエージェントフレームワークである。 2)列選択とエンティティリンクを通じてサブテーブルスキーマを動的に生成するクエリ対応テーブルズーム機構,(3)クエリを実行可能なコードに変換するプログラム・オブ・ソート(PoT)戦略により,数値幻覚を緩和する。
  論文  参考訳（メタデータ） (2025-09-01T09:53:01Z)
• DAC: Decomposed Automation Correction for Text-to-SQL [51.48239006107272]
  De Automation Correction (DAC)を導入し、エンティティリンクとスケルトン解析を分解することでテキストから合成を補正する。 また,本手法では,ベースライン法と比較して,スパイダー,バード,カグルDBQAの平均値が平均3.7%向上することを示した。
  論文  参考訳（メタデータ） (2024-08-16T14:43:15Z)
• CHESS: Contextual Harnessing for Efficient SQL Synthesis [1.9506402593665235]
  効率的でスケーラブルなテキスト・ツー・クエリのためのフレームワークであるCHESSを紹介します。 特殊エージェントは4つあり、それぞれが上記の課題の1つをターゲットにしている。 私たちのフレームワークは、さまざまなデプロイメント制約に適応する機能を提供する。
  論文  参考訳（メタデータ） (2024-05-27T01:54:16Z)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。