論文の概要: StoryCoder: Narrative Reformulation for Structured Reasoning in LLM Code Generation

• arxiv url: http://arxiv.org/abs/2604.14631v1
• Date: Thu, 16 Apr 2026 05:19:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.737279
• Title: StoryCoder: Narrative Reformulation for Structured Reasoning in LLM Code Generation
• Title（参考訳）: StoryCoder: LLMコード生成における構造化推論のためのナラティブな改革
• Authors: Geonhui Jang, Dongyoon Han, YoungJoon Yoo,
• Abstract要約: 本稿では,コード生成質問をコヒーレントな自然言語の物語に変換する,物語修正フレームワークであるStoryCoderを提案する。 11モデルにわたる実験では、ゼロショットパス@10で平均18.7%向上した一貫した改善が示されている。 分析の結果, モデルが正しいアルゴリズム戦略へと導出され, 実装エラーが低減され, よりモジュラーなコード構造がもたらされることがわかった。
• 参考スコア（独自算出の注目度）: 30.21174200581981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective code generation requires both model capability and a problem representation that carefully structures how models reason and plan. Existing approaches augment reasoning steps or inject specific structure into how models think, but leave scattered problem conditions unchanged. Inspired by the way humans organize fragmented information into coherent explanations, we propose StoryCoder, a narrative reformulation framework that transforms code generation questions into coherent natural language narratives, providing richer contextual structure than simple rephrasings. Each narrative consists of three components: a task overview, constraints, and example test cases, guided by the selected algorithm and genre. Experiments across 11 models on HumanEval, LiveCodeBench, and CodeForces demonstrate consistent improvements, with an average gain of 18.7% in zero-shot pass@10. Beyond accuracy, our analyses reveal that narrative reformulation guides models toward correct algorithmic strategies, reduces implementation errors, and induces a more modular code structure. The analyses further show that these benefits depend on narrative coherence and genre alignment, suggesting that structured problem representation is important for code generation regardless of model scale or architecture. Our code is available at https://github.com/gu-ni/StoryCoder.
• Abstract（参考訳）: 効果的なコード生成には、モデル機能とモデル理と計画の方法を慎重に構成する問題表現の両方が必要です。 既存のアプローチは、推論のステップを増やしたり、モデルがどのように考えるかに特定の構造を注入するが、散在する問題条件は変わらない。 断片化された情報をコヒーレントな説明に整理する方法に着想を得て,コード生成質問をコヒーレントな自然言語の物語に変換する物語修正フレームワークであるStoryCoderを提案する。 各ストーリーは、タスク概要、制約、サンプルテストケースの3つのコンポーネントで構成され、選択されたアルゴリズムとジャンルによってガイドされる。 HumanEval、LiveCodeBench、CodeForcesの11モデルにわたる実験では、ゼロショットパス@10で平均18.7%向上した一貫した改善が示されている。 分析の結果, モデルが正しいアルゴリズム戦略に導かれ, 実装エラーが低減し, よりモジュラーなコード構造がもたらされることがわかった。 さらに、これらの利点は物語の一貫性とジャンルの整合性に依存しており、モデルスケールやアーキテクチャに関わらず、構造化された問題表現がコード生成に重要であることを示唆している。 私たちのコードはhttps://github.com/gu-ni/StoryCoder.orgから入手可能です。

関連論文リスト

• FABLE: Fine-grained Fact Anchoring for Unstructured Model Editing [28.870053452479443]
  構造化されていないモデル編集は、実際のテキストでモデルを更新することを目的としている。 本稿では, 全体テキスト生成から微細なファクトインジェクションを分離する階層型フレームワークFABLEを提案する。 実験により、FABLEは最先端の総合的な編集性能を維持しながら、きめ細かい質問応答を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-04-14T10:41:36Z)
• Reasoning Distillation and Structural Alignment for Improved Code Generation [0.6933020649563103]
  この研究は、大規模言語モデルの推論能力を、より速く、より安価にデプロイできる、より小さく、より効率的なモデルに蒸留する。 提案手法は,正解経路の同定を学習することで,VLLMの推論能力と問題解決能力をエミュレートするためにモデルを訓練する。 実験結果から,我々の微調整モデルは,安価で簡単な実装プロセスによって開発され,パス@1,平均データフロー,平均構文がメトリクスにマッチする点において,ベースラインモデルよりも大幅に優れていることがわかった。
  論文  参考訳（メタデータ） (2025-10-20T14:47:47Z)
• Robust Learning of Diverse Code Edits [10.565439872488328]
  ソフトウェアエンジニアリングのアクティビティは、しばしば既存のコードへの編集を伴います。 コード言語モデル(LM)には、さまざまなタイプのコード編集要求を処理する能力がない。 本稿では,新しい合成データ生成パイプラインと適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-05T16:39:04Z)
• SparseCoder: Identifier-Aware Sparse Transformer for File-Level Code Summarization [51.67317895094664]
  本稿では,大規模なソースコードプロジェクトの理解と維持を支援するファイルレベルのコード要約について検討する。 長いコードシーケンスを効果的に処理するための識別子対応スパース変換器であるSparseCoderを提案する。
  論文  参考訳（メタデータ） (2024-01-26T09:23:27Z)
• Physics of Language Models: Part 1, Learning Hierarchical Language Structures [51.68385617116854]
  トランスフォーマーベースの言語モデルは効率的だが複雑であり、内部の動作や推論メカニズムを理解することは大きな課題である。 本稿では,長文を生成可能な階層規則を生成する合成CFGのファミリーを紹介する。 我々は、GPTのような生成モデルがCFG定義階層を正確に学習し、推論し、それに基づいて文を生成することを実証する。
  論文  参考訳（メタデータ） (2023-05-23T04:28:16Z)
• CodeExp: Explanatory Code Document Generation [94.43677536210465]
  既存のコード・トゥ・テキスト生成モデルは、コードの高レベルな要約のみを生成する。 我々は、コードのための高品質な説明記述の基準を特定するために、人間の研究を行う。 タスクのための多段階微調整戦略とベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-25T18:05:44Z)
• Contrastive Learning for Source Code with Structural and Functional Properties [66.10710134948478]
  本稿では,ソースコードの特徴に基づいて事前学習に焦点を当てた,新たな自己教師型モデルBOOSTを提案する。 私たちは、機能的に等価なコードを生成する自動化された構造誘導型コード変換アルゴリズムを採用しています。 私たちは、対照的な学習目標を通じて、機能的に等価なコードをより近く、異なるコードに近づける方法で、モデルをトレーニングします。
  論文  参考訳（メタデータ） (2021-10-08T02:56:43Z)
• GraphCodeBERT: Pre-training Code Representations with Data Flow [97.00641522327699]
  本稿では,コード固有の構造を考慮したプログラミング言語の事前学習モデルであるGraphCodeBERTを提案する。 これは変数間の"where-the-value-comes-from"の関係をエンコードするコードのセマンティックレベルの構造です。 コード検索,クローン検出,コード翻訳,コード改良の4つのタスクにおいて,本モデルを評価する。
  論文  参考訳（メタデータ） (2020-09-17T15:25:56Z)
• Topic Adaptation and Prototype Encoding for Few-Shot Visual Storytelling [81.33107307509718]
  トピック間一般化の能力をモデル化するためのトピック適応型ストーリーテラを提案する。 また,アトピー内導出能力のモデル化を目的とした符号化手法の試作も提案する。 実験結果から,トピック適応とプロトタイプ符号化構造が相互に利益をもたらすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-08-11T03:55:11Z)

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。