論文の概要: PatchRecall: Patch-Driven Retrieval for Automated Program Repair

• arxiv url: http://arxiv.org/abs/2604.10481v1
• Date: Sun, 12 Apr 2026 06:28:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.044566
• Title: PatchRecall: Patch-Driven Retrieval for Automated Program Repair
• Title（参考訳）: PatchRecall: 自動プログラム修復のためのパッチ駆動検索
• Authors: Mahir Labib Dihan, Faria Binta Awal, Md. Ishrak Ahsan,
• Abstract要約: 我々は,リコールと簡潔さのバランスをとるハイブリッド検索手法であるPatchRecallを提案する。 提案手法は,(1)現在の課題記述と潜在的に関連のあるファイルとが一致した検索,(2)過去の問題を利用して編集されたファイルを候補として識別する履歴に基づく検索の2つの相補的戦略を組み合わせる。 SWE-Benchの実験では、PatchRecallはファイル数を大幅に増やさずに高いリコールを実現し、より効果的なAPRを実現している。
• 参考スコア（独自算出の注目度）: 0.2761313371455893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieving the correct set of files from a large codebase is a crucial step in Automated Program Repair (APR). High recall is necessary to ensure that the relevant files are included, but simply increasing the number of retrieved files introduces noise and degrades efficiency. To address this tradeoff, we propose PatchRecall, a hybrid retrieval approach that balances recall with conciseness. Our method combines two complementary strategies: (1) codebase retrieval, where the current issue description is matched against the codebase to surface potentially relevant files, and (2) history-based retrieval, where similar past issues are leveraged to identify edited files as candidate targets. Candidate files from both strategies are merged and reranked to produce the final retrieval set. Experiments on SWE-Bench demonstrate that PatchRecall achieves higher recall without significantly increasing retrieved file count, enabling more effective APR.
• Abstract（参考訳）: 大規模なコードベースから正しいファイルセットを取得することは、APR(Automated Program repair)の重要なステップである。 関連するファイルが確実に含まれるようには、高いリコールが必要であるが、取得したファイルの数を増やすだけでノイズが発生し、効率が低下する。 このトレードオフに対処するために,リコールと簡潔さのバランスをとるハイブリッド検索手法であるPatchRecallを提案する。 提案手法は,(1) コードベースの検索,(2) 既存の問題記述がコードベースと一致して潜在的に関連のあるファイルを検索する,(2) 過去の問題を利用して編集したファイルを候補として識別する,という2つの補完的手法を組み合わせる。 両戦略からの候補ファイルをマージして、最終検索セットを生成する。 SWE-Benchの実験では、PatchRecallはファイル数を大幅に増やさずに高いリコールを実現し、より効果的なAPRを実現している。

関連論文リスト

• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion [55.21541958868449]
  リポジトリレベルのコード補完フレームワークであるAlignCoderを提案する。 我々のフレームワークは、初期クエリとターゲットコードのセマンティックギャップを橋渡しする拡張クエリを生成する。 我々は、拡張クエリにおける推論情報を活用してより正確な検索を行うAlignRetrieverのトレーニングに強化学習を採用する。
  論文  参考訳（メタデータ） (2026-01-27T15:23:14Z)
• RegionRAG: Region-level Retrieval-Augumented Generation for Visually-Rich Documents [40.107303323097646]
  Modelnameは、検索パラダイムをドキュメントレベルからリージョンレベルにシフトする、新しいフレームワークです。 6つのベンチマークの実験は、RereaRAGが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-10-31T08:00:32Z)
• Hierarchical Patch Compression for ColPali: Efficient Multi-Vector Document Retrieval with Dynamic Pruning and Quantization [0.0]
  ColPaliのようなマルチベクトル文書検索システムは、複雑なクエリのきめ細かいマッチングが優れているが、かなりのストレージと計算コストがかかる。 検索精度を保ちながらColPaliの効率を向上する,きめ細かいパッチ圧縮フレームワークであるHPC-ColPaliを提案する。 提案手法は,(1)1バイトのセントロイドインデックスにパッチ埋め込みを圧縮し,最大32$times$ストレージ削減を実現するK平均量子化,(2)Vision-Language Modelアテンション重みを利用した注意誘導動的プルーニングの3つの革新的手法を統合する。
  論文  参考訳（メタデータ） (2025-06-19T08:45:52Z)
• ReF Decompile: Relabeling and Function Call Enhanced Decompile [50.86228893636785]
  逆コンパイルの目標は、コンパイルされた低レベルコード(アセンブリコードなど)を高レベルプログラミング言語に変換することである。 このタスクは、脆弱性識別、マルウェア分析、レガシーソフトウェアマイグレーションなど、さまざまなリバースエンジニアリングアプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-02-17T12:38:57Z)
• 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)
• ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
  Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。 本稿では,リランカを利用してリコールを改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-19T15:30:33Z)

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。