論文の概要: Learning Project-wise Subsequent Code Edits via Interleaving Neural-based Induction and Tool-based Deduction

• arxiv url: http://arxiv.org/abs/2604.12220v1
• Date: Tue, 14 Apr 2026 02:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.205757
• Title: Learning Project-wise Subsequent Code Edits via Interleaving Neural-based Induction and Tool-based Deduction
• Title（参考訳）: 介在型ニューラルベース誘導とツールベース推論によるプロジェクト・ワイズ・サブシークエンス・コード編集の学習
• Authors: Chenyan Liu, Yun Lin, Yuhuan Huang, Jiaxin Chang, Binhang Qi, Bo Jiang, Zhiyong Huang, Jin Song Dong,
• Abstract要約: 我々は、スコープ、精度、効率の境界を押し上げる新しいコード編集ソリューションTRACEを提案する。 TRACEは、セマンティックな編集予測と、構文的な編集予測のためのツールベースの推論のために、ニューラルネットワークによる誘導をインターリーブすることで、その後の編集を予測する。
• 参考スコア（独自算出の注目度）: 18.337780894895623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In industrial and open-source software engineering tasks, developers often perform project-wise code editing tasks, including feature enhancement, refactoring, and bug fixing, where the leading AI models are expected to support the productivity. Hence, researchers and practitioners have proposed and adopted many LLM-based solutions to facilitate their real-world development. However, they largely suffer from the balance among predicting scope, accuracy, and efficiency. For example, solutions like Cursor achieve high accuracy only in a local editing scope while its performance drops on cross-file edits. In contrast, solutions like CoEdPilot exhibit efficiency limitations when used to predict project-wise edits. In this work, we propose TRACE (Tool-integrated RecommendAtion for Code Editing), a novel subsequent code editing solution to push the boundary of scope, accuracy, and efficiency. Our rationale lies in that code edits are triggered for either semantic or syntactic reasons. Therefore, TRACE predicts subsequent edits by interleaving neural-based induction for semantic edit prediction and tool-based deduction for syntactic edit prediction. The tools can be any IDE facilities, such as refactoring tools (e.g., rename) or linting tools (e.g., use-def), providing decent performance of deducing edit-location and edit-generation. Technically, we address the challenge of (1) when to interleave between neural-based and tool-based prediction and (2) how to further improve the performance of neural-based prediction. As for the former, we learn a neural model to detect when to invoke IDE editing tools. As for the latter, we propose a novel and fine-grained editing representation to further boost the performance of neural editing models. ......
• Abstract（参考訳）: 産業用およびオープンソースのソフトウェアエンジニアリングタスクでは、開発者はしばしば機能強化、リファクタリング、バグ修正を含むプロジェクトレベルのコード編集タスクを実行する。 そのため、研究者や実践者は、実世界開発を促進するために多くのLSMベースのソリューションを提案し、採用してきた。 しかし、それらは主に、予測範囲、精度、効率のバランスに苦しむ。 例えば、Cursorのようなソリューションは、ローカル編集スコープでのみ高い精度を達成するが、そのパフォーマンスはクロスファイル編集で低下する。 対照的に、CoEdPilotのようなソリューションは、プロジェクトに関する編集を予測する際に効率の限界を示す。 本研究では,TRACE(Tool-integrated RecommendAtion for Code Editing)を提案する。 私たちの理論的根拠は、コード編集が意味的または構文的な理由でトリガーされることにあります。 したがって、TRACEは、セマンティックな編集予測のためのニューラルネットワークによる誘導と、構文的な編集予測のためのツールベースの推論をインターリーブすることで、その後の編集を予測する。 ツールは、リファクタリングツール(例、リネーム)やリンティングツール(例、use-def)などのIDE機能で、編集位置と編集生成を推論する優れたパフォーマンスを提供する。 技術的には、(1)ニューラルネットワークとツールベースの予測をインターリーブする際の課題に対処し、(2)ニューラルネットワークによる予測の性能をさらに向上させる方法について述べる。 前者については,IDE編集ツールの起動タイミングを検出するニューラルネットワークを学習する。 後者については、ニューラル編集モデルの性能をさらに向上させるために、新規できめ細かな編集表現を提案する。 はぁ...。

関連論文リスト

• The Anatomy of an Edit: Mechanism-Guided Activation Steering for Knowledge Editing [52.315369633116255]
  大規模言語モデル(LLM)は知識ベースとしてますます使われているが、それらを最新の状態に保つには、目標とする知識編集(KE)が必要である。 ニューロンレベルの知識属性(NLKA)を用いたKEの力学的考察 代表的KE法全体にわたって、我々は一貫したパターンを見出す: ミッド・トゥ・レイト・アテンションは、主に新しいターゲットを促進するが、アテンションとFFNモジュールは、元の事実を抑えるために協力する。 本研究の目的は,MEGA(Mechanism-Guided Activation steering method)を提案することである。
  論文  参考訳（メタデータ） (2026-03-21T12:40:15Z)
• CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning [98.98349220451216]
  CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。 我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。 以上の結果から,認知中心型画像編集の可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-31T12:20:46Z)
• Next Edit Prediction: Learning to Predict Code Edits from Context and Interaction History [34.91177430338037]
  Next Edit Predictionは、開発者の意図を最近のインタラクション履歴から推測し、その後の編集の場所と内容を予測するために設計された新しいタスクである。 この研究は、単に明示的な指示に反応するのではなく、次のアクションを期待することで、開発者と積極的に協力する新しいインタラクションパラダイムの基礎を築いた。
  論文  参考訳（メタデータ） (2025-08-13T15:52:03Z)
• Lost in Edits? A $λ$-Compass for AIGC Provenance [119.95562081325552]
  本稿では,実測出力と操作された出力を頑健に識別し,識別する新しい潜在空間属性法を提案する。 LambdaTracerは、InstructPix2Pixのようなテキスト誘導編集ツールによって自動化されるか、Adobe Photoshopのような編集ソフトウェアで手動で実行されるか、様々な反復編集プロセスで有効である。
  論文  参考訳（メタデータ） (2025-02-05T06:24:25Z)
• Neuron Patching: Semantic-based Neuron-level Language Model Repair for Code Generation [32.178931149612644]
  ulModel ulImprovement via ulNeuron ulTargeting (textscMINT)は、コード言語モデル(LM)を修復するための新しいアプローチである。 textscMINTは有効で効率的で信頼性が高く、最小数のニューロンにパッチを当てることで神経モデルを修正できる。
  論文  参考訳（メタデータ） (2023-12-08T20:28:08Z)
• Memory-Based Model Editing at Scale [102.28475739907498]
  既存のモデルエディタは、編集対象のスコープを正確にモデル化するのに苦労する。 SERAC(Retrieval-Augmented Counterfactal Model)を用いた半パラメトリック編集を提案する。 SERACは、編集を明示的なメモリに格納し、必要に応じてベースモデルの予測を変更できるように、それらを推論することを学ぶ。
  論文  参考訳（メタデータ） (2022-06-13T23:40:34Z)
• Editing Factual Knowledge in Language Models [51.947280241185]
  本稿では,この知識を編集する手法であるKnowledgeEditorを提案する。 knowledgeeditorは計算効率が高いだけでなく、lm事前トレーニングの修正も必要としない。 2つの一般的なアーキテクチャと知識集約型タスクで、KnowledgeEditorの有効性を示します。
  論文  参考訳（メタデータ） (2021-04-16T15:24:42Z)
• Learning Structural Edits via Incremental Tree Transformations [102.64394890816178]
  構造化データのインクリメンタルな編集(すなわち「構造的編集」)のための汎用モデルを提案する。 我々の編集者は、反復的にツリー編集(例えば、サブツリーの削除や追加)を生成し、部分的に編集されたデータに適用することを学びます。 提案したエディタを2つのソースコード編集データセットで評価した結果,提案する編集エンコーダでは,従来よりも精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2021-01-28T16:11:32Z)

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。