論文の概要: On the Role of Fault Localization Context for LLM-Based Program Repair

• arxiv url: http://arxiv.org/abs/2604.05481v1
• Date: Tue, 07 Apr 2026 06:21:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.65919
• Title: On the Role of Fault Localization Context for LLM-Based Program Repair
• Title（参考訳）: LLMプログラム修復における故障局所化コンテキストの役割について
• Authors: Melika Sepidband, Hung Viet Pham, Hadi Hemmati,
• Abstract要約: どの程度のローカライズが必要か、予測されたバギーロケーション以外の追加コンテキストが有用か、どのようにしてそのようなコンテキストを検索すべきかは、不明である。 GPT-5-miniを用いて,ファイルレベル,要素レベル,行レベルの異なる61のコンフィグレーションを評価し,500のSWE-bench検証インスタンスを大規模に検討した。 以上の結果から, 補修性能が常に向上していないことが示唆された。
• 参考スコア（独自算出の注目度）: 2.059479289297283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fault Localization (FL) is a key component of Large Language Model (LLM)-based Automated Program Repair (APR), yet its impact remains underexplored. In particular, it is unclear how much localization is needed, whether additional context beyond the predicted buggy location is beneficial, and how such context should be retrieved. We conduct a large-scale empirical study on 500 SWE-bench Verified instances using GPT-5-mini, evaluating 61 configurations that vary file-level, element-level, and line-level context. Our results show that more context does not consistently improve repair performance. File-level localization is the dominant factor, yielding a 15-17x improvement over a no-file baseline. Expanding file context is often associated with improved performance, with successful repairs most commonly observed in configurations with approximately 6-10 relevant files. Element-level context expansion provides conditional gains that depend strongly on the file context quality, while line-level context expansion frequently degrades performance due to noise amplification. LLM-based retrieval generally outperforms structural heuristics while using fewer files and tokens. Overall, the most effective FL context strategy typically combines a broad semantic understanding at higher abstraction levels with precise line-level localization. These findings challenge our assumption that increasing the localization context uniformly improves APR, and provide practical guidance for designing LLM-based FL strategies.
• Abstract（参考訳）: フォールトローカライゼーション(FL)は、Large Language Model(LLM)ベースの自動プログラム修復(APR)の重要なコンポーネントであるが、その影響は未解明のままである。 特に、どの程度のローカライズが必要か、予測されたバギーロケーション以外の追加コンテキストが有用か、どのようにしてそのようなコンテキストを検索すべきかは、不明である。 GPT-5-miniを用いて,ファイルレベル,要素レベル,行レベルの異なる61のコンフィグレーションを評価し,500のSWE-bench検証インスタンスを大規模に検討した。 以上の結果から, 補修性能が常に向上していないことが示唆された。 ファイルレベルのローカライゼーションが支配的な要因であり、No-fileベースラインよりも15-17倍改善されている。 ファイルコンテキストの拡張は、しばしばパフォーマンスの改善と関連付けられ、およそ6-10の関連ファイルを持つ構成で最もよく見られる修復が成功している。 要素レベルのコンテキスト拡張は、ファイルコンテキストの品質に強く依存する条件付きゲインを提供する。 LLMに基づく検索は概して、少ないファイルやトークンを使用しながら構造的ヒューリスティックよりも優れている。 全体として、最も効果的なFLコンテキスト戦略は、一般的に、より高度な抽象レベルでの広い意味論的理解と、正確なラインレベルのローカライゼーションを組み合わせたものである。 これらの知見は、局所化コンテキストの増大がAPRを均一に改善するという我々の仮定に挑戦し、LLMベースのFL戦略を設計するための実践的なガイダンスを提供する。

関連論文リスト

• RGFL: Reasoning Guided Fault Localization for Automated Program Repair Using Large Language Models [1.9196411948992402]
  本稿では,ファイルレベルのローカライゼーションと要素レベルのローカライゼーションを改善するプロジェクトレベルのFL手法を提案する。 SWE-bench Verified、Lite、JavaからPythonとJavaプロジェクトのアプローチを評価します。
  論文  参考訳（メタデータ） (2026-01-25T23:41:42Z)
• VULPO: Context-Aware Vulnerability Detection via On-Policy LLM Optimization [2.6678231901651723]
  本稿では、コンテキスト認識型脆弱性検出のためのLLM強化学習フレームワークであるVulnerability-Adaptive Policy Optimization (VULPO)を紹介する。 トレーニングと評価を支援するために,我々はまず,高品質な関数レベルのサンプルを軽量な方法で拡張し,リポジトリレベルのコンテキスト情報を抽出するContextVulを構築した。 異なる脆弱性ケースの非対称的な難しさに対処し、報酬ハックを緩和するために、VULPOはラベルレベルとサンプルレベルの難易度適応型報酬スケーリングを取り入れている。
  論文  参考訳（メタデータ） (2025-11-14T21:57:48Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• Enhancing LLM-based Fault Localization with a Functionality-Aware Retrieval-Augmented Generation Framework [14.287359838639608]
  FaR-Locは、メソッドレベルの障害ローカライゼーションを強化するフレームワークである。 FaR-Locは、LLM機能抽出、Semantic Retrieval、LLM再ランクの3つの重要なコンポーネントで構成されている。 広く使われているDefects4Jベンチマーク実験により、FaR-Locは最先端のLCMベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-24T20:37:11Z)
• REFRAG: Rethinking RAG based Decoding [67.4862300145604]
  REFRAGは効率的なデコードフレームワークで、RAGアプリケーションの遅延を圧縮し、感知し、拡張し、改善する。 本稿では,RAG,マルチターン会話,長期文書要約など,多種多様な長文タスクを対象としたREFRAGの厳密な検証を行う。
  論文  参考訳（メタデータ） (2025-09-01T03:31:44Z)
• RustRepoTrans: Repository-level Code Translation Benchmark Targeting Rust [50.65321080814249]
  RustRepoTransは、インクリメンタル翻訳をターゲットにした、最初のリポジトリレベルのコンテキストコード変換ベンチマークである。 複雑な翻訳シナリオの制約を評価するために, 7つの代表的なLLMを評価し, それらの誤差を分析した。
  論文  参考訳（メタデータ） (2024-11-21T10:00:52Z)
• Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning? [50.03434441234569]
  フェデレートラーニング(FL)は、直接データ共有を必要とせず、さまざまなサイトで機械学習モデルをトレーニングする効果により、大きな人気を集めている。 局所的な更新を伴うFLは通信効率のよい分散学習フレームワークであることが様々なアルゴリズムによって示されているが、局所的な更新によるFLの一般化性能は比較的低い。
  論文  参考訳（メタデータ） (2024-09-05T19:00:18Z)
• Fluctuation-based Adaptive Structured Pruning for Large Language Models [44.217363567065]
  FLAP(FLuctuation-based Adaptive Structured Pruning)は、大規模言語モデルのためのトレーニング不要な構造化プルーニングフレームワークである。 ストレージを効果的に削減し、推論速度を向上することで、ハードウェアに優しい。
  論文  参考訳（メタデータ） (2023-12-19T09:23:48Z)
• Understanding How Consistency Works in Federated Learning via Stage-wise Relaxed Initialization [84.42306265220274]
  フェデレートラーニング(Federated Learning, FL)は、大規模なローカルクライアントを協調してグローバルモデルをトレーニングする分散パラダイムである。 従来の研究は、FLがローカルクライアント間の矛盾した最適性によって引き起こされるクライアント・ドリフトの問題に悩まされていることを暗黙的に研究してきた。 FLにおけるクライアントドリフトの負の影響を緩和し,その物質を探索するために,我々はまず,効率的なFLアルゴリズム textitFedInit を設計する。
  論文  参考訳（メタデータ） (2023-06-09T06:55:15Z)

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。