論文の概要: What to Cut? Predicting Unnecessary Methods in Agentic Code Generation

• arxiv url: http://arxiv.org/abs/2602.17091v1
• Date: Thu, 19 Feb 2026 05:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.708614
• Title: What to Cut? Predicting Unnecessary Methods in Agentic Code Generation
• Title（参考訳）: カットとは何か? エージェントコード生成における不要な方法の予測
• Authors: Kan Watanabe, Tatsuya Shirai, Yutaro Kashiwa, Hajimu Iida,
• Abstract要約: 本稿では,PRレビュー中に削除される可能性のある関数を識別する予測モデルを提案する。 その結果,異なる理由で削除された関数は,異なる特徴を示すことがわかった。 これらの結果は、予測的アプローチがレビュアーの本質的なコードへの取り組みの優先順位付けに役立つことを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic Coding, powered by autonomous agents such as GitHub Copilot and Cursor, enables developers to generate code, tests, and pull requests from natural language instructions alone. While this accelerates implementation, it produces larger volumes of code per pull request, shifting the burden from implementers to reviewers. In practice, a notable portion of AI-generated code is eventually deleted during review, yet reviewers must still examine such code before deciding to remove it. No prior work has explored methods to help reviewers efficiently identify code that will be removed.In this paper, we propose a prediction model that identifies functions likely to be deleted during PR review. Our results show that functions deleted for different reasons exhibit distinct characteristics, and our model achieves an AUC of 87.1%. These findings suggest that predictive approaches can help reviewers prioritize their efforts on essential code.
• Abstract（参考訳）: GitHub CopilotやCursorといった自律的なエージェントをベースとするAgentic Codingは、自然言語命令だけでコード、テスト、プルリクエストを生成することができる。 これは実装を加速するが、プルリクエスト毎に大量のコードを生成し、実装者からレビュアーへ負担をシフトさせる。 実際には、AI生成コードの注目すべき部分は最終的にレビュー中に削除されるが、レビュアーは削除を決定する前に、そのようなコードを調べる必要がある。 本稿では, PRレビュー中に削除される可能性のある関数を識別する予測モデルを提案する。 その結果,異なる理由で削除された関数は異なる特徴を示すことが明らかとなり,87.1%のAUCが得られた。 これらの結果は、予測的アプローチがレビュアーの本質的なコードへの取り組みの優先順位付けに役立つことを示唆している。

関連論文リスト

• Can We Predict Before Executing Machine Learning Agents? [74.39460101251792]
  データ中心のソリューション優先のタスクを形式化し、18,438対比較の包括的コーパスを構築する。 検証データ解析レポートを作成した場合, LLM は重要な予測能力を示すことを示す。 このフレームワークをForEAGENT(Predict-then-Verifyループを利用するエージェント)でインスタンス化し、実行ベースラインを+6%超えながらコンバージェンスを6倍高速化する。
  論文  参考訳（メタデータ） (2026-01-09T16:44:17Z)
• Early-Stage Prediction of Review Effort in AI-Generated Pull Requests [0.0]
  我々は,2,807リポジトリにわたるAIDevデータセットから,エージェントによるPR33,707件を分析した。 本稿では,高解像度PRを生成時に予測するサーキットブレーカートリアージモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-02T17:18:01Z)
• DeputyDev -- AI Powered Developer Assistant: Breaking the Code Review Logjam through Contextual AI to Boost Developer Productivity [38.585498338645856]
  本研究は,AddicateDevの実装と有効性について検討する。 ViceDevはAIを利用したコードレビューアシスタントで、ソフトウェア開発プロセスの非効率性に対処するために開発された。
  論文  参考訳（メタデータ） (2025-08-13T10:09:45Z)
• Leveraging Reward Models for Guiding Code Review Comment Generation [13.306560805316103]
  コードレビューは、コード品質の評価、潜在的な問題に対するフィードバックの提供、特定された問題に対処するためのコード修正を含む、現代のソフトウェア開発において重要なコンポーネントである。 ディープラーニングのテクニックは、人間のレビュアーが行うようなコードにコメントすることで、コードレビューのジェネレーティブな側面に取り組むことができる。 本稿では,報酬機構を備えた強化学習を活用することによって,レビューコメント生成を自動化するディープラーニングフレームワークであるCoRALを紹介する。
  論文  参考訳（メタデータ） (2025-06-04T21:31:38Z)
• LazyReview A Dataset for Uncovering Lazy Thinking in NLP Peer Reviews [74.87393214734114]
  この研究は、微粒な遅延思考カテゴリで注釈付けされたピアレビュー文のデータセットであるLazyReviewを紹介している。 大規模言語モデル(LLM)は、ゼロショット設定でこれらのインスタンスを検出するのに苦労する。 命令ベースのデータセットの微調整により、パフォーマンスが10～20ポイント向上する。
  論文  参考訳（メタデータ） (2025-04-15T10:07:33Z)
• Automated Code Review In Practice [1.6271516689052665]
  Qodo、GitHub Copilot、CoderabbitなどのAI支援ツールが、大規模な言語モデル(LLM)を使用して自動レビューを提供する。 本研究では,LLMに基づく自動コードレビューツールが産業環境に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-12-24T16:24:45Z)
• Does Your Neural Code Completion Model Use My Code? A Membership Inference Approach [66.51005288743153]
  本稿では,現在のニューラルコード補完モデルの法的および倫理的問題について考察する。 私たちは、もともと分類タスクのために作られたメンバシップ推論アプローチ(CodeMIと呼ばれる)を調整します。 我々は,この適応型アプローチの有効性を,多種多様なニューラルコード補完モデルで評価した。
  論文  参考訳（メタデータ） (2024-04-22T15:54:53Z)
• CONCORD: Clone-aware Contrastive Learning for Source Code [64.51161487524436]
  セルフ教師付き事前トレーニングは、多くのダウンストリームSEタスクに価値のあるジェネリックコード表現を学ぶための牽引役になった。 汎用的な表現学習のために、開発者が日々どのようにコードをコーディングするかは、要因としても不可欠である、と私たちは主張する。 特に,表現空間に良性クローンを近づける自己教師型コントラスト学習戦略であるCONCORDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T20:39:08Z)

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。