論文の概要: GraphLocator: Graph-guided Causal Reasoning for Issue Localization

• arxiv url: http://arxiv.org/abs/2512.22469v1
• Date: Sat, 27 Dec 2025 05:02:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.070855
• Title: GraphLocator: Graph-guided Causal Reasoning for Issue Localization
• Title（参考訳）: GraphLocator: 問題ローカライゼーションのためのグラフ誘導因果推論
• Authors: Wei Liu, Chao Peng, Pengfei Gao, Aofan Liu, Wei Zhang, Haiyan Zhao, Zhi Jin,
• Abstract要約: 問題ローカライゼーションタスクは、自然言語の問題記述の修正を必要とするソフトウェアリポジトリ内の場所を特定することを目的としている。 このタスクは、問題記述とソースコード実装のセマンティックなギャップのために、自動化されたソフトウェアエンジニアリングにおいて基本的なものであるが、難しい。 本稿では,症状から原因へのミスマッチを因果構造によって緩和し,動的問題分離によって一対多のミスマッチを発見・解決するアプローチであるGraphLocatorを提案する。
• 参考スコア（独自算出の注目度）: 40.27427160907077
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The issue localization task aims to identify the locations in a software repository that requires modification given a natural language issue description. This task is fundamental yet challenging in automated software engineering due to the semantic gap between issue description and source code implementation. This gap manifests as two mismatches:(1) symptom-to-cause mismatches, where descriptions do not explicitly reveal underlying root causes; (2) one-to-many mismatches, where a single issue corresponds to multiple interdependent code entities. To address these two mismatches, we propose GraphLocator, an approach that mitigates symptom-to-cause mismatches through causal structure discovering and resolves one-to-many mismatches via dynamic issue disentangling. The key artifact is the causal issue graph (CIG), in which vertices represent discovered sub-issues along with their associated code entities, and edges encode the causal dependencies between them. The workflow of GraphLocator consists of two phases: symptom vertices locating and dynamic CIG discovering; it first identifies symptom locations on the repository graph, then dynamically expands the CIG by iteratively reasoning over neighboring vertices. Experiments on three real-world datasets demonstrates the effectiveness of GraphLocator: (1) Compared with baselines, GraphLocator achieves more accurate localization with average improvements of +19.49% in function-level recall and +11.89% in precision. (2) GraphLocator outperforms baselines on both symptom-to-cause and one-to-many mismatch scenarios, achieving recall improvement of +16.44% and +19.18%, precision improvement of +7.78% and +13.23%, respectively. (3) The CIG generated by GraphLocator yields the highest relative improvement, resulting in a 28.74% increase in performance on downstream resolving task.
• Abstract（参考訳）: 問題ローカライゼーションタスクは、自然言語の問題記述の修正を必要とするソフトウェアリポジトリ内の場所を特定することを目的としている。 このタスクは、問題記述とソースコード実装のセマンティックなギャップのために、自動化されたソフトウェアエンジニアリングにおいて基本的なものであるが、難しい。 このギャップは2つのミスマッチとして現れます。(1)症状から原因までのミスマッチ、説明が根本原因を明確に示さないようなミスマッチ、(2)1つの問題が複数の相互依存コードエンティティに対応する1対多のミスマッチ。 この2つのミスマッチに対処するために,動的問題解離による一対多のミスマッチの発見と解決を通じて症状から原因へのミスマッチを緩和するアプローチであるGraphLocatorを提案する。 重要なアーティファクトは因果問題グラフ(CIG)で、頂点は発見されたサブイシューと関連するコードエンティティを表現し、エッジはその因果依存性をエンコードする。 GraphLocatorのワークフローは2つのフェーズで構成されている: 症状頂点の配置と動的CIGの検出; 最初にリポジトリグラフ上の症状位置を特定し、次に隣の頂点を反復的に推論することでCIGを動的に拡張する。 1) ベースラインと比較して、GraphLocatorは、関数レベルのリコールで+19.49%、精度で+11.89%の平均的な改善を行い、より正確なローカライゼーションを実現している。 2) GraphLocatorは、症状から原因までと1対多のミスマッチシナリオの両方でベースラインを上回り、+16.44%と+19.18%のリコール改善、+7.78%と+13.23%の精度向上を実現している。 (3) GraphLocatorによって生成されたCIGは、最も高い相対的な改善をもたらし、ダウンストリーム解決タスクのパフォーマンスは28.74%向上した。

関連論文リスト

• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs [17.847551850315895]
  本稿では,DPGAN(Dual-Pathrative Adversarial Network)と呼ばれる新しいフレームワークを提案する。 DPGANは、欠落したデータと同時に処理し、過度にスムースな問題を回避することができる。 さまざまなベンチマークデータセットにわたる総合的な実験は、DPGANが既存の最先端の計算アルゴリズムよりも優れていなくても、一貫して競合していることを裏付けている。
  論文  参考訳（メタデータ） (2024-04-26T05:26:10Z)
• Location-Free Scene Graph Generation [45.366540803729386]
  シーングラフ生成(SGG)は視覚的理解タスクであり、シーンをエンティティのグラフとして記述し、互いに関連付けることを目的としている。 既存の作業は、バウンディングボックスやセグメンテーションマスクといった形で位置ラベルに依存しており、アノテーションのコストが増加し、データセットの拡張が制限されている。 我々は、この依存関係を破り、位置のないシーングラフ生成(LF-SGG)を導入する。 本課題は, 空間的局所化を明示的に計算することなく, 実体のインスタンスと関係性を予測することを目的とする。
  論文  参考訳（メタデータ） (2023-03-20T08:57:45Z)
• Graph Soft-Contrastive Learning via Neighborhood Ranking [19.241089079154044]
  グラフコントラスト学習(GCL)は,グラフ自己教師型学習の領域において,有望なアプローチとして登場した。 グラフソフトコントラスト学習(GSCL)という新しいパラダイムを提案する。 GSCLは地域ランキングを通じてGCLを促進するため、全く同様のペアを特定する必要がなくなる。
  論文  参考訳（メタデータ） (2022-09-28T09:52:15Z)
• Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
  Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。 既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。 現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。 我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
  論文  参考訳（メタデータ） (2021-12-02T03:18:18Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。