論文の概要: PAFT: Preservation Aware Fine-Tuning for Minimal-Edit Program Repair

• arxiv url: http://arxiv.org/abs/2604.03113v1
• Date: Fri, 03 Apr 2026 15:35:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.511886
• Title: PAFT: Preservation Aware Fine-Tuning for Minimal-Edit Program Repair
• Title（参考訳）: PAFT:最小限の編集プログラム修復のための細調整を意識した保存
• Authors: Boyang Yang, Zijian Cai, Shunfu Jin, Haoye Tain,
• Abstract要約: 最小限のプログラム修復のための保存型微調整法PAFTを提案する。 Defects4JとHumanEval-Java全体で、PAFTは標準の教師付き微調整よりもパス@1を65.6%改善した。 全体として、PAFTは安定したコンテキストを保持し、欠陥のある領域に編集を集中させ、より小さく、より局所的で、プラウザブルなパッチをもたらす。
• 参考スコア（独自算出の注目度）: 3.240260478650358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are effective for automated program repair, but plausible patches that pass the full test suite often rewrite more code than necessary, increasing review and maintenance costs. This over-editing is common because most bugs are localized, while standard supervised fine-tuning provides no explicit signal about which tokens should be preserved and which should be changed. We propose PAFT, a preservation-aware fine-tuning method for minimal-edit program repair. PAFT derives token-level preservation signals by aligning buggy and fixed code, combines them with full-sequence masking, and applies an edit-difficulty curriculum. Across Defects4J and HumanEval-Java, PAFT improves pass@1 by up to 65.6% over standard supervised fine-tuning (StdFT) while reducing average edit distance (AED) by up to 32.6%. On Defects4J with DeepSeek-Coder-6.7B, PAFT also outperforms AdaPatcher, a strong preference-based repair baseline, improving pass@1 from 5.9% to 10.1% while reducing median AED from 61.0 to 42.0. Overall, PAFT preserves stable context and concentrates edits on faulty regions, yielding smaller, more localized, plausible patches without inference-time search, reranking, or post-processing.
• Abstract（参考訳）: 大規模な言語モデル(LLM)は、プログラムの自動修正に有効だが、完全なテストスイートをパスするもっともらしいパッチは、必要以上に多くのコードを書き直し、レビューとメンテナンスのコストを増大させる。 このオーバー編集は、ほとんどのバグがローカライズされているのに対して、標準的な教師付き微調整では、どのトークンを保存すべきか、どのトークンを変更するべきかという明確なシグナルは提供されないため、一般的である。 最小限のプログラム修復のための保存型微調整法PAFTを提案する。 PAFTは、バギーと固定コードの整列によってトークンレベルの保存信号を導出し、それらをフルシーケンスマスキングと組み合わせ、編集の難しいカリキュラムを適用する。 Defects4JとHumanEval-Java全体で、PAFTはパス@1をStdFTよりも65.6%改善し、平均編集距離(AED)を最大32.6%削減した。 DeepSeek-Coder-6.7BによるDefects4Jでは、PAFTは強い優先ベースの修復ベースラインであるAdaPatcherを上回り、pass@1を5.9%から10.1%に改善し、中央値のAEDを61.0から42.0に下げた。 全体としてPAFTは、安定したコンテキストを保持し、欠陥のある領域に編集を集中させ、推論時間検索、再ランク付け、または後処理なしで、より小さく、より局所的で、プラウジブルなパッチを生成する。

関連論文リスト

• Conflict-Resolving and Sharpness-Aware Minimization for Generalized Knowledge Editing with Multiple Updates [69.6610686845008]
  CoRSAは、複数の更新を伴う知識編集のためのパラメータ効率が高く、全体的なアプローチである。 異なる入力形式への一般化を改善し、複数の更新の安定性を向上させる。 CoRSAはまた、コードドメインに一般化し、更新の有効性において5.48%のPass@5で最強のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-03T16:18:06Z)
• Enhancing Automated Program Repair via Faulty Token Localization and Quality-Aware Patch Refinement [15.978451025074962]
  TokenRepairは、プログラム修復のための新しい2段階の洗練フレームワークである。 内部リフレクションを統合して、潜在的な欠陥のあるトークンをローカライズし、外部からのフィードバックで品質を意識したパッチ修正を行う。 TokenRepairは、Defects4J 1.2の88のバグとHumanEval-Javaの139のバグを正しく修正することで、最先端の修復パフォーマンスを新たに達成している。
  論文  参考訳（メタデータ） (2025-11-22T10:05:26Z)
• GateRA: Token-Aware Modulation for Parameter-Efficient Fine-Tuning [51.79350934271497]
  GateRAは、PEFT更新の強度を動的に調整するトークン対応変調を導入する統一フレームワークである。 適応ゲーティングを標準のPEFTブランチに組み込むことで、Gateraは選択的でトークンレベルの適応を可能にする。 複数のコモンセンス推論ベンチマークの実験により、GateRAはPEFT法よりも一貫して優れ、一致していることが示された。
  論文  参考訳（メタデータ） (2025-11-15T17:55:47Z)
• Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
  本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。 プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。 また, GPT-4o miniが74.18%と高い修理成功率を示した。
  論文  参考訳（メタデータ） (2025-07-04T15:36:12Z)
• Hybrid Automated Program Repair by Combining Large Language Models and Program Analysis [12.7034916462208]
  自動プログラム修復(APR)は、人間の開発者のバグ修正プロセスを合理化する可能性から、大きな注目を集めている。 本稿ではGIANTREPAIRと呼ばれる革新的なAPR手法を紹介する。 この知見に基づいて、GIANTREPAIRはまず、LLM生成したパッチからパッチスケルトンを構築して、パッチ空間を閉じ込め、その後、特定のプログラムに適した高品質なパッチを生成する。
  論文  参考訳（メタデータ） (2024-06-03T05:05:12Z)
• Boosting Redundancy-based Automated Program Repair by Fine-grained Pattern Mining [18.7107522872479]
  本稿では,効果的なパッチ生成を導くための2段階のパターンマイニングプロセスを含むRepattという新しい修復手法を提案する。 我々は、広く使われているDefects4Jベンチマークの実験を行い、Repattを10の最先端のAPRアプローチと比較した。
  論文  参考訳（メタデータ） (2023-12-26T08:42:32Z)
• RAP-Gen: Retrieval-Augmented Patch Generation with CodeT5 for Automatic Program Repair [75.40584530380589]
  新たな検索型パッチ生成フレームワーク(RAP-Gen)を提案する。 RAP-Gen 以前のバグ修正ペアのリストから取得した関連する修正パターンを明示的に活用する。 RAP-GenをJavaScriptのTFixベンチマークとJavaのCode RefinementとDefects4Jベンチマークの2つのプログラミング言語で評価する。
  論文  参考訳（メタデータ） (2023-09-12T08:52:56Z)
• APPT: Boosting Automated Patch Correctness Prediction via Fine-tuning Pre-trained Models [15.179895484968476]
  本稿では,事前学習と微調整によるモデルベース自動パッチ正当性評価手法であるAPPTを提案する。 我々は1,183個のDefects4Jパッチの実験を行い、APPTが予測精度79.7%、リコール率83.2%を達成したことを示す実験結果を得た。
  論文  参考訳（メタデータ） (2023-01-29T14:28:26Z)

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。