論文の概要: Ambig-IaC: Multi-level Disambiguation for Interactive Cloud Infrastructure-as-Code Synthesis
- arxiv url: http://arxiv.org/abs/2604.02382v1
- Date: Wed, 01 Apr 2026 20:27:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.13093
- Title: Ambig-IaC: Multi-level Disambiguation for Interactive Cloud Infrastructure-as-Code Synthesis
- Title（参考訳）: Ambig-IaC:インタラクティブクラウドインフラストラクチャ・アズ・コード合成のためのマルチレベル曖昧化
- Authors: Zhenning Yang, Kaden Gruizenga, Tongyuan Miao, Patrick Tser Jern Kon, Hui Guan, Ang Chen,
- Abstract要約: 大規模言語モデル(LLM)は、自然言語からIaC構成を生成するためにますます使われている。
IaCのあいまいさは, 伸縮可能な構成構造を示す。
多様な候補仕様を生成するトレーニングフリーで不一致駆動型フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.743123758115608
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The scale and complexity of modern cloud infrastructure have made Infrastructure-as-Code (IaC) essential for managing deployments. While large Language models (LLMs) are increasingly being used to generate IaC configurations from natural language, user requests are often underspecified. Unlike traditional code generation, IaC configurations cannot be executed cheaply or iteratively repaired, forcing the LLMs into an almost one-shot regime. We observe that ambiguity in IaC exhibits a tractable compositional structure: configurations decompose into three hierarchical axes (resources, topology, attributes) where higher-level decisions constrain lower-level ones. We propose a training-free, disagreement-driven framework that generates diverse candidate specifications, identifies structural disagreements across these axes, ranks them by informativeness, and produces targeted clarification questions that progressively narrow the configuration space. We introduce \textsc{Ambig-IaC}, a benchmark of 300 validated IaC tasks with ambiguous prompts, and an evaluation framework based on graph edit distance and embedding similarity. Our method outperforms the strongest baseline, achieving relative improvements of +18.4\% and +25.4\% on structure and attribute evaluations, respectively.
- Abstract（参考訳）: 現代的なクラウドインフラストラクチャの規模と複雑さにより、デプロイメント管理にはインフラストラクチャ・アズ・コード(Infrastructure-as-Code, IaC)が不可欠になった。
大きな言語モデル(LLM)は、自然言語からIaC設定を生成するのにますます使われていますが、ユーザ要求は、しばしば過小評価されています。
従来のコード生成とは異なり、IaC構成を安価に、あるいは反復的に修正することはできず、LLMをほぼ1発のシステムに強制する。
構成は3つの階層的軸(リソース、トポロジー、属性)に分解され、より高レベルな決定は下位の軸を制約する。
本稿では,多様な候補仕様を生成し,これらの軸間の構造的不一致を識別し,情報量でランク付けし,段階的に構成空間を狭める目標明確化問題を生成する,学習自由不一致駆動型フレームワークを提案する。
我々は,不明瞭なプロンプトを持つ300の検証済みIaCタスクのベンチマークであるtextsc{Ambig-IaC} と,グラフ編集距離と埋め込み類似性に基づく評価フレームワークを紹介する。
提案手法は, 構造評価と属性評価において, 相対的な+18.4\%, +25.4\%の改善を達成し, 最強のベースラインよりも優れていた。
関連論文リスト
- From Context to EDUs: Faithful and Structured Context Compression via Elementary Discourse Unit Decomposition [46.36937947958481]
グローバルな構造と細かな詳細の両方を保存するために設計された,新しい明示的圧縮フレームワークを提案する。
提案手法は,構造的コンテキスト圧縮を構造的テーマ選択プロセスとして再構成する。
提案手法は,最先端構造予測精度を実現し,フロンティアLLMを著しく上回っている。
論文 参考訳（メタデータ） (2025-12-16T09:52:58Z) - Structure-R1: Dynamically Leveraging Structural Knowledge in LLM Reasoning through Reinforcement Learning [29.722512436773638]
本稿では,検索したコンテンツを推論に最適化した構造化表現に変換するフレームワークであるtextscStructure-R1を提案する。
textscStructure-R1は、7Bスケールのバックボーンモデルとの競合性能を一貫して達成していることを示す。
我々の理論的分析は,情報密度と文脈的明瞭度を向上させることによって,構造化表現が推論をいかに促進するかを示す。
論文 参考訳（メタデータ） (2025-10-16T23:19:28Z) - ReSSFormer: A Recursive Sparse Structured Transformer for Scalable and Long-Context Reasoning [0.0]
本稿では,ReSSFormerについて述べる。Recursive Sparse Structured Transformerは3つの相補的なイノベーションを統合している。
ReSSFormerは、従来のディープスタックをリカレント推論に置き換え、トークンレベルのスペーサと専門家レベルのスペーサに置き換え、コンテンツから直接潜在トークントポロジをモデル化する。
論文 参考訳（メタデータ） (2025-10-02T02:05:30Z) - Light-SQ: Structure-aware Shape Abstraction with Superquadrics for Generated Meshes [60.92139345612904]
我々は、新しいスーパークワッドリックベースの最適化フレームワークLight-SQを提案する。
本稿では,構造対応ボリューム分解によるブロック再配置戦略を提案する。
実験によると、Light-SQはスーパークワッドリックで効率よく、高忠実で、編集可能な形状の抽象化を可能にする。
論文 参考訳（メタデータ） (2025-09-29T16:18:32Z) - Multi-IaC-Eval: Benchmarking Cloud Infrastructure as Code Across Multiple Formats [12.813627159588032]
LLM(Large Language Models)に基づくIaC生成と突然変異を評価するための新しいベンチマークデータセットであるMulti-IaC-Benchを提案する。
データセットは、初期IaCテンプレート、自然言語修正要求、およびそれに対応する更新テンプレートを含む三つ組で構成されている。
我々は,Multi-IaC-Bench 上での最先端 LLM の評価を行い,現代 LLM は構文的に有効な IaC の生成において高い成功率 (>95%) を達成できるが,意味的アライメントや複雑なインフラストラクチャパターンの処理には大きな課題が残っていることを示した。
論文 参考訳（メタデータ） (2025-08-21T22:37:18Z) - Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。
まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。
次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
論文 参考訳（メタデータ） (2025-08-05T12:28:23Z) - Inducing Systematicity in Transformers by Attending to Structurally
Quantized Embeddings [60.698130703909804]
トランスフォーマーは、複雑なデータセットでトレーニングされた後、構造と実体の新規な構成に一般化する。
本稿では,SQ-Transformerを提案する。
SQ-Transformerは,複数の低複雑さ意味解析および機械翻訳データセット上で,バニラ変換器よりも強い構成一般化を実現することを示す。
論文 参考訳（メタデータ） (2024-02-09T15:53:15Z) - DepGraph: Towards Any Structural Pruning [68.40343338847664]
我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。
本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。
本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
論文 参考訳（メタデータ） (2023-01-30T14:02:33Z)
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。