論文の概要: The Influence of Code Smells in Efferent Neighbors on Class Stability

• arxiv url: http://arxiv.org/abs/2602.12950v2
• Date: Mon, 16 Feb 2026 05:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:49.649202
• Title: The Influence of Code Smells in Efferent Neighbors on Class Stability
• Title（参考訳）: 周縁部におけるコードスメルがクラス安定性に及ぼす影響
• Authors: Zushuai Zhang, Elliott Wen, Ewan Tempero,
• Abstract要約: 本研究は, クラス外縁部におけるコードの匂いの存在が, その安定性に影響を及ぼすかどうかを考察する。 私たちは、トップスターのGitHubプロジェクト100のコミット履歴を1年間書きました。 コードの臭いと静的な依存関係を検出し、コードの臭いの相互関係と相互作用を決定し、これらの要因をクラスの安定性の予測因子としてモデル化する。
• 参考スコア（独自算出の注目度）: 0.6079137591620588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding what drives code instability is essential for effective software maintenance, as unstable classes require larger or more frequent edits and increase the risk of unintended side effects. Although code smells are widely believed to harm maintainability, most prior stability studies examine only the smells within the class being modified. In practice, however, classes can change because their efferent neighbors (i.e., the classes they depend on) are modified due to ripple effects that propagate along static dependencies, even if the class itself is clean. Such ripple effects may be more severe when the efferent neighbor exhibits code smells. In addition, code smells rarely occur alone. They often appear together within a class or across classes connected by static dependencies, a phenomenon known as code smell interrelation. Such interrelation can lead to code smell interaction, where smells are directly connected through static dependencies and may further compound maintainability issues. However, the effect of code smell interrelation and interaction on code quality remains largely underexplored. Therefore, this study investigates whether the presence of code smells in a class's efferent neighbors affects its stability, considering the factor of code smell interrelation and interaction. To achieve this, we mine one year of commit history from 100 top-starred GitHub projects, detect code smells and static dependencies, determine code smell interrelation and interaction, and model these factors as predictors of class stability.
• Abstract（参考訳）: 不安定なクラスは、より大きく、より頻繁な編集を必要とし、意図しない副作用のリスクを増加させる。 コードの臭いは保守性を損なうと広く信じられているが、初期の安定性の研究は修正されるクラス内の匂いのみを調べる。 しかし、実際には、クラス自体がクリーンであっても、静的な依存関係に沿って伝播する波及効果によって、隣人(すなわち、依存しているクラス)が修正されるため、クラスを変更することができる。 このようなリップル効果は、遠心性隣人がコードの臭いを示すと、より深刻になる。 さらに、コードの臭いが単独で起こることは滅多にない。 それらはしばしば、コードの臭い相互関係として知られる静的依存関係によって接続されたクラス内またはクラス間で一緒に現れる。 このような相互関係はコードの臭いの相互作用を引き起こし、臭いは静的な依存関係を通して直接接続され、さらに保守性の問題を引き起こす可能性がある。 しかし、コードの臭いの相互関係と相互作用がコード品質に与える影響は、いまだに過小評価されている。 そこで本研究では,コードの匂いの相互関係や相互作用の要因を考慮し,学習者の周辺部におけるコードの匂いの存在が,その安定性に影響を及ぼすかどうかを考察した。 これを実現するために、トップスターのGitHubプロジェクト100のコミット履歴を1年間マイニングし、コードの臭いと静的依存関係を検出し、コードの臭いの相互関係と相互作用を決定し、これらの要因をクラスの安定性の予測因子としてモデル化しました。

関連論文リスト

• A Causal Perspective on Measuring, Explaining and Mitigating Smells in LLM-Generated Code [49.09545217453401]
  Propensity Smelly Score (PSC) は、特定の臭いの種類を生成する確率を推定する計量である。 我々は、生成戦略、モデルサイズ、モデルアーキテクチャ、および生成したコードの構造特性をいかに形成するかを識別する。 PSCは、開発者がモデルの振る舞いを解釈し、コード品質を評価するのに役立つ。
  論文  参考訳（メタデータ） (2025-11-19T19:18:28Z)
• Analyzing Variations in Dependency Distributions Due to Code Smell Interactions [0.6079137591620588]
  モジュール間の依存関係は変更時に波及効果を引き起こし、メンテナンスが複雑でコストがかかる。 潜在的な要因の1つはコードの臭いであり、これは設計上の問題を示し、コード品質を低下させるコード中の症状である。 本研究は, コード臭気相互作用の有無による静的依存関係の分布の変化について検討する。
  論文  参考訳（メタデータ） (2025-09-04T05:42:43Z)
• A Novel Taxonomy and Classification Scheme for Code Smell Interactions [2.6597689982591044]
  本研究では,新しい分類法とコード臭の相互作用の分類法を提案する。 いくつかの一般的な機械学習(ML)モデルを用いて実験が実施されている。 結果は、主にドメイン内のインタースメル検出というコード臭いの相互作用の存在を示しています。
  論文  参考訳（メタデータ） (2025-04-25T16:24:11Z)
• Enforcing Fundamental Relations via Adversarial Attacks on Input Parameter Correlations [76.2226569692207]
  入力パラメータ間の相関は、多くの科学的分類タスクにおいて重要な役割を果たす。 我々はRandom Distribution Shuffle Attack (RDSA)と呼ばれる新たな敵攻撃アルゴリズムを提案する。 6つの分類課題においてRDSAの有効性を示す。
  論文  参考訳（メタデータ） (2025-01-09T21:45:09Z)
• DualTeacher: Bridging Coexistence of Unlabelled Classes for Semi-supervised Incremental Object Detection [53.8061502411777]
  現実世界のアプリケーションでは、オブジェクト検出器は、しばしば新しいクラスのオブジェクトインスタンスに遭遇し、それらを効果的に適合させる必要がある。 以前の作業では、この重要な問題をインクリメンタルオブジェクト検出(IOD)として定式化しており、新しいクラスのオブジェクトインスタンスがインクリメンタルデータで完全に注釈付けされていると仮定している。 我々は、より現実的な半教師付きIOD (SSIOD) について考察する。オブジェクト検出器は、ラベル付きデータと大量の非ラベル付きデータから、段階的に新しいクラスを学習する必要がある。
  論文  参考訳（メタデータ） (2023-12-13T10:46:14Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Task-Adaptive Saliency Guidance for Exemplar-free Class Incremental Learning [60.501201259732625]
  EFCILにタスク適応型サリエンシを導入し、タスク適応型サリエンシ・スーパービジョン(TASS)と呼ばれる新しいフレームワークを提案する。 提案手法は,CIFAR-100, Tiny-ImageNet, ImageNet-Subset EFCILベンチマークを用いて,タスク間のサリエンシマップの保存や,最先端の成果の達成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-16T02:43:52Z)
• Follow Your Nose -- Which Code Smells are Worth Chasing? [0.3683202928838613]
  コードの臭いが品質、生産性、バグ検出効率の4つの指標に与える影響を評価する。 因果臭のないファイルは、品質の高いファイルの方が50%高い。 残念なことに、ほとんどの臭いは取り除かれず、開発者は簡単に取り除く傾向にあり、効果的な臭いは取り除かない。
  論文  参考訳（メタデータ） (2021-03-02T16:55:46Z)

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。