論文の概要: GREPO: A Benchmark for Graph Neural Networks on Repository-Level Bug Localization

• arxiv url: http://arxiv.org/abs/2602.13921v1
• Date: Sat, 14 Feb 2026 23:22:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.561467
• Title: GREPO: A Benchmark for Graph Neural Networks on Repository-Level Bug Localization
• Title（参考訳）: GREPO: リポジトリレベルバグローカライゼーションのためのグラフニューラルネットワークのベンチマーク
• Authors: Juntong Wang, Libin Chen, Xiyuan Wang, Shijia Kang, Haotong Yang, Da Zheng, Muhan Zhang,
• Abstract要約: リポジトリレベルのバグローカライゼーションは、ソフトウェアエンジニアリングの重要な課題です。 GNNは、複雑なリポジトリ全体の依存関係をモデル化できるため、有望な代替手段を提供する。 GREPOは、リポジトリスケールのバグローカライゼーションタスクのための最初のGNNベンチマークである。
• 参考スコア（独自算出の注目度）: 50.009407518866965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Repository-level bug localization-the task of identifying where code must be modified to fix a bug-is a critical software engineering challenge. Standard Large Language Modles (LLMs) are often unsuitable for this task due to context window limitations that prevent them from processing entire code repositories. As a result, various retrieval methods are commonly used, including keyword matching, text similarity, and simple graph-based heuristics such as Breadth-First Search. Graph Neural Networks (GNNs) offer a promising alternative due to their ability to model complex, repository-wide dependencies; however, their application has been hindered by the lack of a dedicated benchmark. To address this gap, we introduce GREPO, the first GNN benchmark for repository-scale bug localization tasks. GREPO comprises 86 Python repositories and 47294 bug-fixing tasks, providing graph-based data structures ready for direct GNN processing. Our evaluation of various GNN architectures shows outstanding performance compared to established information retrieval baselines. This work highlights the potential of GNNs for bug localization and established GREPO as a foundation resource for future research, The code is available at https://github.com/qingpingmo/GREPO.
• Abstract（参考訳）: リポジトリレベルのバグローカライゼーション - バグを修正するためにどこでコードを変更すべきかを特定するタスクは、ソフトウェア工学の重要な課題である。 標準のLarge Language Modles (LLM) は、コードリポジトリ全体を処理できないようなコンテキストウィンドウの制限のため、このタスクには適さないことが多い。 その結果、キーワードマッチング、テキスト類似性、Breadth-First Searchのような単純なグラフベースのヒューリスティックスなど、さまざまな検索手法が一般的に用いられている。 グラフニューラルネットワーク(GNN)は、複雑なリポジトリ全体の依存関係をモデル化する能力のために、有望な代替手段を提供する。 このギャップに対処するため、リポジトリスケールのバグローカライズタスクのための最初のGNNベンチマークであるGREPOを紹介します。 GREPOは86のPythonレポジトリと47294のバグ修正タスクで構成されており、グラフベースのデータ構造がGNNの直接処理に対応している。 各種GNNアーキテクチャの評価は,既存の情報検索ベースラインと比較して優れた性能を示した。 この研究は、バグローカライゼーションのためのGNNの可能性を強調し、将来の研究の基盤としてGREPOを確立した。

関連論文リスト

• Enhancing Fairness in Autoencoders for Node-Level Graph Anomaly Detection [3.487370856323828]
  グラフ異常検出(GAD)は、様々な領域でますます重要になっている。 しかし、GADの公平性に関する考察はいまだに過小評価されている。 我々は,GAD性能を維持しながらバイアスを軽減するフレームワークであるtextbfDistextbfEntangled textbfCounterfactual textbfAdversarial textbfFair (DECAF)-GADを提案する。
  論文  参考訳（メタデータ） (2025-08-14T16:12:15Z)
• Efficient Environmental Claim Detection with Hyperbolic Graph Neural Networks [1.7259898169307608]
  我々は、トランスフォーマーベースモデルの軽量かつ効果的な代替手段として、グラフニューラルネットワーク(GNN)とハイパーボリックグラフニューラルネットワーク(HGNN)について検討する。 以上の結果から,我々のグラフベースモデル,特にポインカー空間(P-HGNN)におけるHGNNは,環境クレーム検出の最先端技術よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-19T11:04:59Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Graph Neural Networks Gone Hogwild [14.665528337423249]
  グラフニューラルネットワーク(GNN)は、分散分散分散マルチエージェントシステムにおけるエージェントの状態表現を学習する強力なツールであるように見える。 GNNは、推論中にノードが非同期に更新されると、破滅的に誤った予測を生成する。 我々は、GNNを、非同期な"hogwild"推論に対して確実に堅牢なアーキテクチャのクラスとして識別する。 我々は「エネルギーGNN」と呼ばれる暗黙的に定義されたGNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-06-29T17:11:09Z)
• Uncertainty in GNN Learning Evaluations: The Importance of a Consistent Benchmark for Community Detection [4.358468367889626]
  グラフニューラルネットワーク(GNN)の共通評価プロトコルを確立するためのフレームワークを提案する。 プロトコルの有無の相違を実証することで、モチベーションと正当化を行います。 また,同じ評価基準が従うことを保証することで,本課題における手法の性能と有意な差があることが判明した。
  論文  参考訳（メタデータ） (2023-05-10T10:22:28Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
  シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。 既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。 両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T04:21:15Z)
• VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using Vector Quantization [70.8567058758375]
  VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。 我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
  論文  参考訳（メタデータ） (2021-10-27T11:48:50Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Learning Semantic Program Embeddings with Graph Interval Neural Network [7.747173589929493]
  我々は,既存のGNNの弱点に対処するため,グラフインターバルニューラルネットワーク(GINN)と呼ばれる新しいグラフニューラルネットワークを提案する。 GINNはモデル学習を支援するために設計された抽象手法を用いて得られたグラフ表現から一般化する。 Javaコードのnullポインタ参照バグをキャッチするために、GINNに基づいたニューラルバグ検出装置を作成しました。
  論文  参考訳（メタデータ） (2020-05-18T02:38:34Z)

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。