論文の概要: CCCE: A Continuous Code Calibration Engine for Autonomous Enterprise Codebase Maintenance via Knowledge Graph Traversal and Adaptive Decision Gating
- arxiv url: http://arxiv.org/abs/2604.13102v1
- Date: Fri, 10 Apr 2026 13:18:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.197583
- Title: CCCE: A Continuous Code Calibration Engine for Autonomous Enterprise Codebase Maintenance via Knowledge Graph Traversal and Adaptive Decision Gating
- Title（参考訳）: CCCE:知識グラフトラバースと適応的決定ゲーティングによる、自律的なエンタープライズコードベースメンテナンスのための継続的コードキャリブレーションエンジン
- Authors: Santhosh Kusuma Kumar Parimi,
- Abstract要約: SDLC(Software Development Life Cycle)を通じて企業を自律的にメンテナンスするイベント駆動型AIエージェントシステムであるContinuous Code Engine(CCCE)を紹介します。
CCCEは、プログレッシブ検証とインテリジェントロールバック機能を備えたアトミックでセマンティックに検証されたパッチを生成し、キャリブレーションの実行と結果学習を通じてイベントをトリガーするエンドツーエンドトレーサビリティを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enterprise software organizations face an escalating challenge in maintaining the integrity, security, and freshness of codebases that span hundreds of repositories, multiple programming languages, and thousands of interdependent packages. Existing approaches to codebase maintenance -- including static analysis, software composition analysis (SCA), and dependency management tools -- operate in isolation, address only narrow subsets of maintenance concerns, and require substantial manual intervention to propagate changes across interconnected systems. We present the Continuous Code Calibration Engine (CCCE), an event-driven, AI-agentic system that autonomously maintains enterprise codebases throughout the Software Development Life Cycle (SDLC). The CCCE introduces three key technical innovations: (1) a dynamic knowledge graph with bidirectional traversal algorithms that simultaneously compute forward impact propagation and backward test adequacy analysis; (2) an adaptive multi-stage gating framework that classifies calibration actions into four risk tiers using learned risk-confidence scoring rather than static rules; and (3) a multi-model continuous learning architecture operating at multiple temporal scales to refine calibration strategies, risk models, and organizational policies from operational feedback. We formalize the system's graph model, traversal algorithms, and decision logic, and demonstrate through three representative enterprise scenarios that the CCCE reduces mean time to remediation by enabling coordinated, cross-repository calibrations with human-in-the-loop (HITL) oversight where appropriate. The system generates atomic, semantically verified patches with progressive validation and intelligent rollback capabilities, providing end-to-end traceability from triggering events through calibration execution and outcome learning.
- Abstract（参考訳）: エンタープライズソフトウェア組織は、数百のリポジトリ、複数のプログラミング言語、数千の相互依存パッケージにまたがるコードベースの整合性、セキュリティ、鮮度を維持する上で、エスカレートする課題に直面しています。
静的解析、ソフトウェア構成分析(SCA)、依存性管理ツールなど、既存のコードベースのメンテナンスアプローチは、独立して動作し、メンテナンス上の懸念のごく一部にのみ対処し、相互接続されたシステム間で変更を伝達するために手動で介入する必要がある。
我々は,SDLC(Software Development Life Cycle)を通じて,エンタープライズコードベースを自律的にメンテナンスするイベント駆動型AIエージェントシステムであるContinuous Code Calibration Engine(CCCE)を紹介する。
CCCEは,(1)前方衝撃伝搬と後方テストの妥当性分析を同時に計算する双方向トラバースアルゴリズムを備えた動的知識グラフ,(2)静的な規則ではなく学習リスク信頼度スコアリングを用いて,キャリブレーション動作を4つのリスク階層に分類する適応型多段階ゲーティングフレームワーク,(3)複数の時間スケールで動作し,キャリブレーション戦略,リスクモデル,組織政策を運用フィードバックから洗練するマルチモデル継続的学習アーキテクチャ,の3つの技術革新を紹介した。
我々は,システムのグラフモデル,トラバーサルアルゴリズム,決定論理を定式化し,CCCEが適切なタイミングでヒューマン・イン・ザ・ループ(HITL)による協調型リポジトリ・キャリブレーションを有効にすることで,修復にかかる平均時間を短縮する,という3つの代表的なエンタープライズシナリオを実演する。
このシステムは、プログレッシブな検証とインテリジェントなロールバック機能を備えた、アトミックでセマンティックに検証されたパッチを生成し、キャリブレーションの実行と結果学習を通じてイベントをトリガーするエンドツーエンドのトレーサビリティを提供する。
関連論文リスト
- AGMARL-DKS: An Adaptive Graph-Enhanced Multi-Agent Reinforcement Learning for Dynamic Kubernetes Scheduling [0.0]
クラウドネイティブなアプリケーションには、システムの安定性、リソース利用、関連するコストのバランスをとることのできる、インテリジェントなスケジューラが必要です。
現在の強化学習ベースのスケジューラには3つの大きな制限がある。
AGMARL-DKS(Adaptive Graph-enhanced Neural Multi-Agent Reinforcement Learning Dynamic Scheduler)を提案する。
論文 参考訳（メタデータ） (2026-03-12T15:09:48Z) - AgenticCyOps: Securing Multi-Agentic AI Integration in Enterprise Cyber Operations [7.660803748903973]
マルチエージェントシステム(MAS)は適応的で推論駆動の企業を約束するが、ツール、メモリ、通信の自律的な制御をエージェントに与えることで、決定論的パイプラインが欠如する攻撃面を導入する。
AgenticCyOpsは、コンポーネント層、調整層、プロトコル層にまたがる攻撃面を体系的に分解するフレームワークである。
このフレームワークをSecurity Operations Center(SOC)ワークフローに適用し、モデルコンテキストプロトコル(MCP)を構造基盤として採用する。
論文 参考訳（メタデータ） (2026-03-10T03:15:36Z) - SecCodePRM: A Process Reward Model for Code Security [18.20834502693226]
SecCodePRMは、コンテキスト対応のステップレベルのセキュリティスコアをコード軌道に沿って割り当てるプロセス報酬モデルである。
フルコード脆弱性検出(VD)、部分コードVD、セキュアコード生成(CG)の3つのアプリケーションがある。
論文 参考訳（メタデータ） (2026-02-11T02:00:19Z) - Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。
TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
論文 参考訳（メタデータ） (2026-02-03T07:43:03Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - Adaptive Causal Coordination Detection for Social Media: A Memory-Guided Framework with Semi-Supervised Learning [1.5683405037750644]
ACCDは3段階のプログレッシブアーキテクチャを採用し、メモリ誘導適応機構を利用して最適な検出設定を学習し維持する。
Twitter IRAデータセット、Redditのコーディネーショントレース、および広く採用されているボット検出ベンチマークなど、実世界のデータセットを使用して包括的な評価を行う。
ACCDのF1スコアは87.3%で、最強のベースラインよりも15.2%向上している。
論文 参考訳（メタデータ） (2026-01-01T17:27:52Z) - Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。
実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
論文 参考訳（メタデータ） (2025-05-28T17:57:47Z) - Streamlining Resilient Kubernetes Autoscaling with Multi-Agent Systems via an Automated Online Design Framework [0.0]
クラウドネイティブなシステムは、ワークロード管理の貧弱な問題のために、運用上のレジリエンスに直面することが多い。
協調エージェントに委譲された障害固有のサブゴールに、運用上のレジリエンスを維持するという、包括的な目標を分解することを提案する。
1)クラスタトレースから構築されたディジタルツインのモデリング,2)障害コンテキストに適した役割やミッションを用いたシミュレーションエージェントのトレーニング,3)説明可能性のためのエージェント動作の解析,4)学習ポリシを実クラスタに転送する。
論文 参考訳（メタデータ） (2025-05-26T20:39:31Z) - DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。
符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。
我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
論文 参考訳（メタデータ） (2025-03-18T14:02:59Z) - Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。
モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。
実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
論文 参考訳（メタデータ） (2024-12-05T18:58:27Z)
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。