論文の概要: Investigating Code Reuse in Software Redesign: A Case Study
- arxiv url: http://arxiv.org/abs/2604.07919v2
- Date: Fri, 10 Apr 2026 03:30:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 13:51:27.767113
- Title: Investigating Code Reuse in Software Redesign: A Case Study
- Title（参考訳）: ソフトウェア再設計におけるコード再利用の検証 - ケーススタディ
- Authors: Xiaowen Zhang, Huaien Zhang, Shin Hwei Tan,
- Abstract要約: ソフトウェアは品質特性を改善しながら機能を再設計するが、コードとテストの手作業による再利用はコストがかかり、エラーが発生しやすい。
実験的な調査と検証済みのオープンソースコントリビューションを組み合わせたアクションリサーチ手法を用いて,現在進行中のSoot/SootUpの再設計事例について検討する。
対応するコードとテストの追跡が重要な課題であると認識し、クローン検出によって対処し、オリジナルのプロジェクトと再設計されたプロジェクト間のコードマッピングを導出します。
- 参考スコア（独自算出の注目度）: 7.043106296630725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software redesign preserves functionality while improving quality attributes, but manual reuse of code and tests is costly and error-prone, especially in crossrepository redesigns. Focusing on static analyzers where cross-repo redesign needs often arise, we conduct a bidirectional study of the ongoing Soot/SootUp redesign case using an action research methodology that combines empirical investigation with validated open-source contributions. Our study reveals: (1) non-linear migration which necessitates bidirectional reuse, (2) deferred reuse via TODOs, (3) neglected test porting, and (4) residual bug propagation during migrations. We identify tracking corresponding code and tests as the key challenge, and address it by retrofitting clone detection to derive code mappings between original and redesigned projects. Guided by semantic reuse patterns derived in our study, we propose Semantic Alignment Heuristics and a scalable hierarchical detection strategy. Evaluations on two redesigned project pairs (Soot/SootUp and FindBugs/SpotBugs) show that our approach achieves an average reduction of 33-99% in likely irrelevant clones at a SAS threshold of 0.5 across all tool results, and improves precision up to 86% on our benchmark of 1,749 samples. Moreover, we contribute to the redesigned projects by submitting five issues and 10 pull requests, of which eight have been merged.
- Abstract（参考訳）: ソフトウェアの再設計は、品質特性を改善しながら機能を維持するが、特にリポジトリ横断の再設計において、コードとテストの手作業による再利用はコストが高く、エラーを起こしやすい。
クロスリポジトリの再設計が必要な静的アナライザに注目し,実証的な調査と検証済みオープンソースコントリビューションを組み合わせたアクションリサーチ手法を用いて,現在進行中のSoot/SootUp再設計事例を双方向に研究する。
本研究は,(1)双方向の再利用を必要とする非線形マイグレーション,(2)TODOによる遅延再利用,(3)テストポーティングの無視,(4)移行中の残留バグの伝播などを明らかにする。
我々は、対応するコードとテストの追跡が重要な課題であると認識し、クローン検出を再現して、オリジナルのプロジェクトと再設計されたプロジェクト間のコードマッピングを導出する。
本研究ではセマンティックアライメント・ヒューリスティックスとスケーラブルな階層的検出戦略を提案する。
再設計された2つのプロジェクトペア(Soot/SootUpとFindBugs/SpotBugs)の評価結果から,SAS閾値が0.5の非関連クローンでは,平均33～99%の削減を実現し,ベンチマーク1,749サンプルに対して最大86%の精度向上を実現した。
さらに、5つのイシューと10のプルリクエストを提出し、そのうち8つをマージすることで、再設計されたプロジェクトにコントリビュートします。
関連論文リスト
- ABSTRAL: Automatic Design of Multi-Agent Systems Through Iterative Refinement and Topology Optimization [0.033246582398800045]
本稿では,MASアーキテクチャを自然言語文書として扱うフレームワークであるABSTRALを紹介する。
固定的なターン予算の下では、アンサンブルは26%のターン効率しか達成せず、66%のタスクが限界を乗り越えている。
対照的なトレース分析は 初期設計に欠如している 専門的な役割を発見します
論文 参考訳（メタデータ） (2026-03-24T04:28:07Z) - TestExplora: Benchmarking LLMs for Proactive Bug Discovery via Repository-Level Test Generation [19.43198506241428]
提案するTestExploraは,大規模言語モデルを積極的なテスタとして評価するためのベンチマークである。
TestExploraには482リポジトリから2,389のタスクが含まれており、すべての欠陥関連信号を隠している。
現状のモデルでは、F2P(Fail-to-Pass)の最大率は16.06%である。
論文 参考訳（メタデータ） (2026-02-11T03:22:51Z) - ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。
ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。
提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
論文 参考訳（メタデータ） (2025-10-21T06:51:30Z) - ROSE: Transformer-Based Refactoring Recommendation for Architectural Smells [3.946103868607285]
既存のツールはそのような臭いを検知するが、修正する方法を示唆することは滅多にない。
11,149のオープンソースJavaプロジェクトから抽出された200万のインスタンス上で、両方のモデルを微調整します。
以上の結果から, 変圧器を用いたモデルでは, 臭気検出と有効修理のギャップを効果的に埋めることができることがわかった。
論文 参考訳（メタデータ） (2025-07-16T18:19:51Z) - Teaching LLM to Reason: Reinforcement Learning from Algorithmic Problems without Code [76.80306464249217]
本稿では,LLMにより良い理性を教えることを目的としたTeaRを提案する。
TeaRは、注意深いデータキュレーションと強化学習を活用して、コード関連のタスクを通じて最適な推論パスを発見するモデルをガイドする。
我々は、2つのベースモデルと3つの長いCoT蒸留モデルを用いて広範な実験を行い、モデルのサイズは15億から32億のパラメータから、Math、Knowledge、Code、Logical Reasoningにまたがる17のベンチマークにまたがる。
論文 参考訳（メタデータ） (2025-07-10T07:34:05Z) - Dual Adaptive Representation Alignment for Cross-domain Few-shot
Learning [58.837146720228226]
ベース知識から学習することで、限られたサポートサンプルを持つ新規なクエリを認識することを目的としている。
この設定の最近の進歩は、ベース知識と新しいクエリサンプルが同じドメインに分散されていることを前提としている。
本稿では,ターゲットドメインで利用可能なサンプルが極めて少ないドメイン間数ショット学習の問題に対処することを提案する。
論文 参考訳（メタデータ） (2023-06-18T09:52:16Z) - Learning Classifiers of Prototypes and Reciprocal Points for Universal
Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。
主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。
既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文 参考訳（メタデータ） (2022-12-16T09:01:57Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳（メタデータ） (2021-03-10T16:45:22Z)
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。