論文の概要: Atomizer: An LLM-based Collaborative Multi-Agent Framework for Intent-Driven Commit Untangling

• arxiv url: http://arxiv.org/abs/2601.01233v1
• Date: Sat, 03 Jan 2026 16:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.136106
• Title: Atomizer: An LLM-based Collaborative Multi-Agent Framework for Intent-Driven Commit Untangling
• Title（参考訳）: Atomizer: インテント駆動コミットアンタングリングのためのLLMベースの協調的マルチエージェントフレームワーク
• Authors: Kangchen Zhu, Zhiliang Tian, Shangwen Wang, Mingyue Leng, Xiaoguang Mao,
• Abstract要約: 複合コミットは、複数の無関係な懸念を絡み合わせるもので、ソフトウェア開発で広く使われている。 Atomizerは複合コミット回避のための新しい協調型マルチエージェントフレームワークである。
• 参考スコア（独自算出の注目度）: 12.831831568780464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composite commits, which entangle multiple unrelated concerns, are prevalent in software development and significantly hinder program comprehension and maintenance. Existing automated untangling methods, particularly state-of-the-art graph clustering-based approaches, are fundamentally limited by two issues. (1) They over-rely on structural information, failing to grasp the crucial semantic intent behind changes, and (2) they operate as ``single-pass'' algorithms, lacking a mechanism for the critical reflection and refinement inherent in human review processes. To overcome these challenges, we introduce Atomizer, a novel collaborative multi-agent framework for composite commit untangling. To address the semantic deficit, Atomizer employs an Intent-Oriented Chain-of-Thought (IO-CoT) strategy, which prompts large language models (LLMs) to infer the intent of each code change according to both the structure and the semantic information of code. To overcome the limitations of ``single-pass'' grouping, we employ two agents to establish a grouper-reviewer collaborative refinement loop, which mirrors human review practices by iteratively refining groupings until all changes in a cluster share the same underlying semantic intent. Extensive experiments on two benchmark C# and Java datasets demonstrate that Atomizer significantly outperforms several representative baselines. On average, it surpasses the state-of-the-art graph-based methods by over 6.0% on the C# dataset and 5.5% on the Java dataset. This superiority is particularly pronounced on complex commits, where Atomizer's performance advantage widens to over 16%.
• Abstract（参考訳）: 複合コミットは、複数の無関係な懸念を絡み合わせるもので、ソフトウェア開発で一般的であり、プログラムの理解と保守を著しく妨げます。 既存の自動アンハングリング手法、特に最先端のグラフクラスタリングに基づくアプローチは、基本的に2つの問題によって制限されている。 1) 構造情報を過度に精査し, 変化の背後にある重要な意味的意図を把握できず, (2) 「単一パス」アルゴリズムとして機能し, 人間のレビュープロセスに固有の批判的反映と洗練のメカニズムを欠いている。 これらの課題を克服するために、複合コミット回避のための新しい協調型マルチエージェントフレームワークAtomizerを紹介します。 セマンティックな欠陥に対処するため、AtomizerはIntent-Oriented Chain-of-Thought(IO-CoT)戦略を採用している。 我々は,「単一パス」グループ化の限界を克服するため,クラスタ内のすべての変更が同じ意味的意図を共有するまで,グループ化を反復的に精査することで,人間によるレビューの実践を反映するグルーパー・レビュー・コラボレーティブ・リファインメント・ループを確立するために2つのエージェントを用いた。 C#とJavaの2つのベンチマークデータセットに対する大規模な実験は、Atomizerがいくつかの代表的ベースラインを大幅に上回っていることを示している。 平均して、C#データセットでは6.0%、Javaデータセットでは5.5%、最先端のグラフベースのメソッドでは6.0%を超えている。 この優位性は、Atomizerのパフォーマンス上のアドバンテージが16%を超える複雑なコミットに対して特に顕著である。

関連論文リスト

• Federated Multi-Task Clustering [44.73672172790804]
  本稿では,Federated Multi-Task Clustering(FMTC)という新しいフレームワークを提案する。 クライアント側パーソナライズされたクラスタリングモジュールとサーバ側テンソル相関モジュールの2つの主要コンポーネントで構成されている。 乗算器の交互方向法に基づく,効率的なプライバシ保護分散アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-12-28T12:02:32Z)
• Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
  本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。 問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。 BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
  論文  参考訳（メタデータ） (2025-12-20T12:06:13Z)
• LLM-Driven Collaborative Model for Untangling Commits via Explicit and Implicit Dependency Reasoning [15.20947984949809]
  コミット回避のための新しいコラボレーティブコンサルテーションフレームワークであるColaUntangleを提案する。 ColaUntangleは、LLM(Large Language Model)駆動エージェントをマルチエージェントアーキテクチャに統合する。 広く使われている2つのデータセット(1,612 C#と14k Java tangledコミット)上でColaUntangleを評価する。
  論文  参考訳（メタデータ） (2025-07-22T09:42:13Z)
• SPARE: Single-Pass Annotation with Reference-Guided Evaluation for Automatic Process Supervision and Reward Modelling [58.05959902776133]
  私たちはSingle-Passを紹介します。 Reference-Guided Evaluation (SPARE)は、効率的なステップごとのアノテーションを可能にする新しい構造化フレームワークである。 数学的推論(GSM8K, MATH)、マルチホップ質問応答(MuSiQue-Ans)、空間推論(SpaRP)にまたがる4つの多様なデータセットにおけるSPAREの有効性を実証する。 ProcessBenchでは、SPAREがデータ効率のよいアウト・オブ・ディストリビューションの一般化を実証し、トレーニングサンプルの$sim$16%しか使用していない。
  論文  参考訳（メタデータ） (2025-06-18T14:37:59Z)
• Sharper Error Bounds in Late Fusion Multi-view Clustering Using Eigenvalue Proportion [19.46433323866636]
  マルチビュークラスタリング(MVC)は、クラスタリング性能を向上させるために、複数のビューから補完的な情報を統合することを目的としている。 本稿では,複数カーネル$k$-meansの一般化誤差境界を解析するための新しい理論的枠組みを提案する。 雑音と冗長性を軽減するために,複数線形$k$-meansフレームワーク内の低域グラフフィルタリング方式を提案する。
  論文  参考訳（メタデータ） (2024-12-24T06:24:08Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Meta Clustering Learning for Large-scale Unsupervised Person Re-identification [124.54749810371986]
  メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。 MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。 提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2021-11-19T04:10:18Z)
• F2A2: Flexible Fully-decentralized Approximate Actor-critic for Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
  分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。 本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。 当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
  論文  参考訳（メタデータ） (2020-04-17T14:56:29Z)

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。