論文の概要: Learner-Tailored Program Repair: A Solution Generator with Iterative Edit-Driven Retrieval Enhancement

• arxiv url: http://arxiv.org/abs/2601.08545v1
• Date: Tue, 13 Jan 2026 13:31:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.214936
• Title: Learner-Tailored Program Repair: A Solution Generator with Iterative Edit-Driven Retrieval Enhancement
• Title（参考訳）: 学習型プログラム修復:反復編集型検索機能強化ソリューションジェネレータ
• Authors: Zhenlong Dai, Zhuoluo Zhao, Hengning Wang, Xiu Tang, Sai Wu, Chang Yao, Zhipeng Gao, Jingyuan Chen,
• Abstract要約: 本稿では,バグコードに対するバグ記述を提供しながら,プログラムの修復性を高めるフレームワークを提案する。 最初の段階では、ソリューション検索フレームワークを使用して、ソリューション検索データベースを構築する。 第2段階では、コードを修正し、説明を提供するソリューション誘導型プログラム修復手法を提案する。
• 参考スコア（独自算出の注目度）: 33.04212496723856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the development of large language models (LLMs) in the field of programming, intelligent programming coaching systems have gained widespread attention. However, most research focuses on repairing the buggy code of programming learners without providing the underlying causes of the bugs. To address this gap, we introduce a novel task, namely \textbf{LPR} (\textbf{L}earner-Tailored \textbf{P}rogram \textbf{R}epair). We then propose a novel and effective framework, \textbf{\textsc{\MethodName{}}} (\textbf{L}earner-Tailored \textbf{S}olution \textbf{G}enerator), to enhance program repair while offering the bug descriptions for the buggy code. In the first stage, we utilize a repair solution retrieval framework to construct a solution retrieval database and then employ an edit-driven code retrieval approach to retrieve valuable solutions, guiding LLMs in identifying and fixing the bugs in buggy code. In the second stage, we propose a solution-guided program repair method, which fixes the code and provides explanations under the guidance of retrieval solutions. Moreover, we propose an Iterative Retrieval Enhancement method that utilizes evaluation results of the generated code to iteratively optimize the retrieval direction and explore more suitable repair strategies, improving performance in practical programming coaching scenarios. The experimental results show that our approach outperforms a set of baselines by a large margin, validating the effectiveness of our framework for the newly proposed LPR task.
• Abstract（参考訳）: プログラミング分野における大規模言語モデル(LLM)の開発により、インテリジェントなプログラミングコーチングシステムが広く注目を集めている。 しかし、ほとんどの研究は、バグの原因を提供することなく、プログラミング学習者のバグコードを修正することに重点を置いている。 このギャップに対処するために、新しいタスク、すなわち \textbf{LPR} (\textbf{L}earner-Tailored \textbf{P}rogram \textbf{R}epair)を導入する。 次に,新しい,効果的なフレームワークである \textbf{\textsc{\MethodName{}}} (\textbf{L}earner-Tailored \textbf{S}olution \textbf{G}enerator)を提案する。 最初の段階では、修復ソリューション検索フレームワークを使用して、ソリューション検索データベースを構築し、その後、編集駆動のコード検索アプローチを使用して価値あるソリューションを検索し、バグのあるコードのバグを特定し修正するLLMを誘導する。 第2段階では、コードを修正し、検索ソリューションのガイダンスに基づいて説明を提供する、ソリューション誘導型プログラム修復手法を提案する。 さらに、生成したコードの評価結果を利用して、検索方向を反復的に最適化し、より適切な修復戦略を探索し、実用的なプログラミングコーチングシナリオの性能を向上させる反復検索拡張手法を提案する。 実験の結果,本手法は,提案したLPRタスクに対するフレームワークの有効性を検証し,一組のベースラインを大きなマージンで上回ることを示した。

関連論文リスト

• RelRepair: Enhancing Automated Program Repair by Retrieving Relevant Code [11.74568238259256]
  RelRepairは関連するプロジェクト固有のコードを取得し、プログラムの自動修復を強化する。 広く研究されている2つのデータセット、Defects4J V1.2 と ManySStuBs4J について RelRepair の評価を行った。
  論文  参考訳（メタデータ） (2025-09-20T14:07:28Z)
• ReCode: Improving LLM-based Code Repair with Fine-Grained Retrieval-Augmented Generation [26.836612605244596]
  本稿では,高精度かつ効率的なコード修復を行うための,詳細な検索強化型テキスト内学習フレームワークReCodeを提案する。 ReCodeは、(1)予備アルゴリズム型予測を用いて検索空間を狭めるアルゴリズム対応検索戦略、(2)コードとテキストの入力を別々に処理するモジュール型デュアルエンコーダアーキテクチャである。 RACodeBenchと競合するプログラミングデータセットの実験結果から、ReCodeは推論コストを大幅に削減し、高い修復精度を実現することが示された。
  論文  参考訳（メタデータ） (2025-09-02T13:58:48Z)
• Do AI models help produce verified bug fixes? [62.985237003585674]
  大規模言語モデルは、ソフトウェアバグの修正に使用される。 本稿では,プログラマが大規模言語モデルを用いて,自身のスキルを補完する方法について検討する。 その結果は、プログラムバグに対する保証された修正を提供するAIとLLMの適切な役割への第一歩となる。
  論文  参考訳（メタデータ） (2025-07-21T17:30:16Z)
• ToolCoder: A Systematic Code-Empowered Tool Learning Framework for Large Language Models [81.12673534903979]
  ツール学習は、大規模な言語モデル(LLM)にとって、外部ツールとのインタラクションを通じて、複雑な現実世界のタスクを解決する重要な機能として登場した。 本稿では,ツール学習をコード生成タスクとして再編成する新しいフレームワークであるToolCoderを提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:42:28Z)
• LLM Program Optimization via Retrieval Augmented Search [71.40092732256252]
  提案手法は,提案手法によって最適化されたビーム探索を行う検索アルゴリズムであるRetrieval Augmented Search (RAS) である。 我々は、RASが従来の最先端のブラックボックス適応戦略よりも1.8$times$パフォーマンスが高いことを示す。 また、トレーニング例を「アトミックな編集」に分解することで、解釈可能性を向上させるAEGISと呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2025-01-31T06:34:47Z)
• A Comprehensive Survey of AI-Driven Advancements and Techniques in Automated Program Repair and Code Generation [0.0]
  最近27の論文がレビューされ、2つのグループに分けられた。 最初のグループは、意味的エラーの特定を含む、バグの検出と修復のための新しいメソッドで構成されている。 2つ目のグループはコード生成に精通しており、プログラミングとタスク固有のモデルのために微調整された汎用LLMの概要を提供している。 また、識別子認識トレーニング、命令レベルでの微調整、セマンティックコード構造の導入など、コード生成を改善する方法も提示されている。
  論文  参考訳（メタデータ） (2024-11-12T06:47:54Z)
• FastFixer: An Efficient and Effective Approach for Repairing Programming Assignments [21.848112758958543]
  本稿では,FastFixerを提案する。 まず,必要なパッチと関連するコンテキストを生成する方法を学ぶことへのLLMの関心を高めることを目的とした,修復指向のファインチューニング戦略を提案する。 修復効率を考慮すると、FastFixerは自動回帰復号アルゴリズムと比較して16.67倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-10-11T10:17:02Z)
• Peer-aided Repairer: Empowering Large Language Models to Repair Advanced Student Assignments [26.236420215606238]
  我々は,大規模言語モデルを利用したPaRというフレームワークを開発した。 PaRは、ピアソリューション選択、マルチソースプロンプト生成、プログラム修復の3段階で動作する。 Defects4DSと他のよく検証されたTHEPデータセットの評価は、PaRが新しい最先端のパフォーマンスを達成することを明らかにしている。
  論文  参考訳（メタデータ） (2024-04-02T09:12:21Z)
• Leveraging Print Debugging to Improve Code Generation in Large Language Models [63.63160583432348]
  大規模言語モデル(LLM)はコード生成タスクにおいて大きな進歩を遂げた。 しかし、複雑なデータ構造やアルゴリズムによるプログラミング問題に対処する彼らのパフォーマンスは、依然として準最適である。 そこで本稿では,LLM のデバッグを "print debugging" 手法でガイドする,コンテキスト内学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-10T18:37:59Z)

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。