論文の概要: Neurosymbolic Repo-level Code Localization

• arxiv url: http://arxiv.org/abs/2604.16021v1
• Date: Fri, 17 Apr 2026 12:49:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.917542
• Title: Neurosymbolic Repo-level Code Localization
• Title（参考訳）: ニューロシンボリックレポレベルのコード局在
• Authors: Xiufeng Xu, Xiufeng Wu, Zejun Zhang, Yi Li,
• Abstract要約: 命名ヒントなしで構造的推論を必要とする診断ベンチマークであるKA-LogicQueryを紹介する。 本稿では,大規模言語モデルとデータログの厳密な論理的推論を組み合わせた新しいエージェントフレームワークであるLogicLocを提案する。 LogicLocはKA-LogicQueryのSOTAメソッドよりも優れており、人気のあるイシュー駆動ベンチマークの競合性能を維持している。
• 参考スコア（独自算出の注目度）: 3.9822018701469024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code localization is a cornerstone of autonomous software engineering. Recent advancements have achieved impressive performance on real-world issue benchmarks. However, we identify a critical yet overlooked bias: these benchmarks are saturated with keyword references (e.g. file paths, function names), encouraging models to rely on superficial lexical matching rather than genuine structural reasoning. We term this phenomenon the Keyword Shortcut. To address this, we formalize the challenge of Keyword-Agnostic Logical Code Localization (KA-LCL) and introduce KA-LogicQuery, a diagnostic benchmark requiring structural reasoning without any naming hints. Our evaluation reveals a catastrophic performance drop of state-of-the-art approaches on KA-LogicQuery, exposing their lack of deterministic reasoning capabilities. We propose LogicLoc, a novel agentic framework that combines large language models with the rigorous logical reasoning of Datalog for precise localization. LogicLoc extracts program facts from the codebase and leverages an LLM to synthesize Datalog programs, with parser-gated validation and mutation-based intermediate-rule diagnostic feedback to ensure correctness and efficiency. The validated programs are executed by a high-performance inference engine, enabling accurate and verifiable localization in a fully automated, closed-loop workflow. Experimental results demonstrate that LogicLoc significantly outperforms SOTA methods on KA-LogicQuery while maintaining competitive performance on popular issue-driven benchmarks. Notably, LogicLoc attains superior performance with significantly lower token consumption and faster execution by offloading structural traversal to a deterministic engine, reducing the overhead of iterative LLM inference.
• Abstract（参考訳）: コードのローカライゼーションは、自律的なソフトウェアエンジニアリングの基盤です。 最近の進歩は、現実世界のイシューベンチマークで目覚ましいパフォーマンスを達成した。 これらのベンチマークは、キーワード参照(例えば、ファイルパス、関数名)が飽和しており、真の構造的推論ではなく、表面的語彙マッチングに頼ることを奨励している。 この現象をキーワードショートカットと呼ぶ。 これを解決するために、キーワードに依存しない論理コードローカライゼーション(KA-LCL)の課題を形式化し、命名ヒントなしで構造的推論を必要とする診断ベンチマークであるKA-LogicQueryを導入する。 評価の結果,KA-LogicQueryに対する最先端手法の破滅的な性能低下が明らかとなり,決定論的推論能力の欠如が明らかになった。 本稿では,大規模言語モデルとDatalogの厳密な論理的推論を組み合わせ,高精度なローカライゼーションを実現する新しいエージェントフレームワークであるLogicLocを提案する。 LogicLocはコードベースからプログラム事実を抽出し、LLMを利用してDatalogプログラムを合成する。 検証されたプログラムは高性能な推論エンジンによって実行され、完全に自動化されたクローズドループワークフローにおける正確で検証可能なローカライゼーションを可能にする。 実験の結果, LogicLoc は KA-LogicQuery 上で SOTA メソッドを著しく上回り, 一般的なイシュー駆動ベンチマークでは競合性能を維持していることがわかった。 特にLogicLocは、構造的トラバーサルを決定論的エンジンにオフロードすることで、トークン消費を著しく低減し、より高速な実行を実現し、反復的LLM推論のオーバーヘッドを低減する。

関連論文リスト

• Evaluating the Formal Reasoning Capabilities of Large Language Models through Chomsky Hierarchy [62.32144504442516]
  SOTA LLMが形式言語の構造的・階層的複雑性を把握できるかどうかは不明である。 ChomskyBench はchomsky Hierarchy のレンズを通して LLM を体系的に評価するためのベンチマークである。 ChomskyBenchは、各レベルで機能をテストするように設計された、言語認識と生成タスクの包括的なスイートで構成されている。
  論文  参考訳（メタデータ） (2026-04-03T04:06:39Z)
• CodeCircuit: Toward Inferring LLM-Generated Code Correctness via Attribution Graphs [13.488544043942495]
  本研究の目的は、コード生成中に論理的妥当性を予測可能な内部デオード可能な信号が、モデル内のニューラルダイナミクスで符号化されているかどうかを検討することである。 複雑な残留流を分解することにより,音の推論と論理的失敗を区別する構造的シグネチャを同定することを目的とする。 Python、C++、Javaでの分析では、固有の正当性信号が多様な構文で堅牢であることが確認されている。
  論文  参考訳（メタデータ） (2026-02-06T03:49:15Z)
• DivLogicEval: A Framework for Benchmarking Logical Reasoning Evaluation in Large Language Models [58.439517684779936]
  本稿では,多種多様な文からなる自然文からなる古典論理ベンチマークDivLogicEvalを提案する。 また,より信頼性の高い評価を実現するために,大規模言語モデルに固有のバイアスやランダム性の影響を緩和する新たな評価指標を導入する。
  論文  参考訳（メタデータ） (2025-09-19T04:40:46Z)
• Reasoning-as-Logic-Units: Scaling Test-Time Reasoning in Large Language Models Through Logic Unit Alignment [21.12989936864145]
  CoT(Chain-of-Thought)のプロンプトによって,大規模言語モデル(LLM)の推論能力の向上が期待できる。 本稿では、生成したプログラムと対応するNL記述との間に論理単位を整列させることにより、より信頼性の高い推論経路を構築するReasoning-as-Logic-Units (RaLU)を提案する。
  論文  参考訳（メタデータ） (2025-02-05T08:23:18Z)
• Reversal of Thought: Enhancing Large Language Models with Preference-Guided Reverse Reasoning Warm-up [9.42385235462794]
  大規模言語モデル(LLM)は、推論タスクにおいて顕著な性能を示すが、数学的および複雑な論理的推論において制限に直面している。 バッチ推論前のウォームアップフェーズにおいて,LLMの論理的推論能力を高めるために,Reversal of Thought (RoT)を提案する。 RoT は Preference-Guided Reverse Reasoning warm-up 戦略を利用している。
  論文  参考訳（メタデータ） (2024-10-16T07:44:28Z)
• Automated Theorem Provers Help Improve Large Language Model Reasoning [0.18416014644193066]
  ニューロシンボリック・アーキテクチャーによっていかに精度が向上できるかを示す。 構文的および意味的エラーカテゴリのフレームワークを定義する。 我々は,構文的および意味的誤りを自動的に修正する機能を備えた手法を拡張した。
  論文  参考訳（メタデータ） (2024-08-07T01:03:56Z)
• CLOMO: Counterfactual Logical Modification with Large Language Models [109.60793869938534]
  本稿では,新しいタスク,CLOMO(Counterfactual Logical Modification)と高品質な人間アノテーションベンチマークを紹介する。 このタスクでは、LLMは所定の論理的関係を維持するために、与えられた議論的テキストを順応的に変更しなければなりません。 LLMの自然言語出力を直接評価する革新的な評価指標である自己評価スコア(SES)を提案する。
  論文  参考訳（メタデータ） (2023-11-29T08:29:54Z)

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。