論文の概要: HELO-APR: Enhancing Low-Resource Program Repair through Cross-Lingual Knowledge Transfer

• arxiv url: http://arxiv.org/abs/2604.17016v1
• Date: Sat, 18 Apr 2026 14:55:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.289789
• Title: HELO-APR: Enhancing Low-Resource Program Repair through Cross-Lingual Knowledge Transfer
• Title（参考訳）: HELO-APR:言語間知識伝達による低リソースプログラム修復の促進
• Authors: Zhipeng Wang, Boyang Yang, Yidong Wan, Liuye Guo, You Lv, Tao Zheng, Zhuowei Wang, Tieke He,
• Abstract要約: HRPLからLRPLへの修復知識の言語間移動を可能にする2段階のAPRフレームワークであるHELO-APR(High-Resource Enabled LOw-Resource APR)を提案する。 HELO-APR(1)は、欠陥型一貫性を保ち、HRPLからLRPLバギー固定ペアを用いて高品質LRPLトレーニングデータを構築する。 2)HRPL補修学習,言語間補修アライメント,LRPL補修適応を段階的に実施するカリキュラム学習戦略を採用する。
• 参考スコア（独自算出の注目度）: 5.3239389888974324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) perform well on automatic program repair (APR) for high-resource programming languages (HRPLs), but their effectiveness drops sharply in low-resource programming languages (LRPLs), due to a lack of sufficient verified buggy-fixed pairs for APR training. To address this challenge, we propose HELO-APR (High-resource Enabled LOw-resource APR), a two-stage APR framework that enables cross-lingual transfer of repair knowledge from HRPLs to LRPLs. HELO-APR (1) constructs high-quality LRPL training data by synthesizing LRPL buggy-fixed pairs from HRPL counterparts, preserving defect type consistency while ensuring the synthesized code is idiomatic, and then (2) adopts a curriculum learning strategy that progressively performs HRPL repair learning, cross-lingual repair alignment, and LRPL repair adaptation, improving repair effectiveness in LRPLs. Using C++ as the source HRPL and Ruby and Rust as the target LRPLs, experiments on xCodeEval show that HELO-APR consistently outperforms strong baselines, increasing Pass@1 from 31.32% to 48.65% on DeepSeek-Coder-6.7B and from 1.67% to 11.97% on CodeLlama-7B, while improving syntactic validity by raising the average target compilation rate on CodeLlama from 49.77% to 91.98%. On Defects4Ruby, HELO-APR increases BLEU-4 from 61.20 to 66.79 and ROUGE-1 from 76.76 to 83.59 on CodeLlama-7B, indicating higher similarity to developer patches in real-world settings. Finally, we conduct ablation studies to assess the necessity of each core component. These results suggest that verified cross-lingual supervision provides a reusable approach for improving LLM-based repair in low-resource languages.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、高リソースプログラミング言語(HRPL)の自動プログラム修復(APR)においてよく機能するが、その効果は低リソースプログラミング言語(LRPL)で著しく低下する。 HELO-APR(High-Resource Enabled LOw-Resource APR)は,HRPLからLRPLへの修復知識の相互変換を可能にする2段階のAPRフレームワークである。 HELO-APR(1)は、LRPLのバグ修正ペアをHRPLから合成して高品質のLRPLトレーニングデータを構築し、合成コードを慣用的に保ちながら欠陥型一貫性を保ち、(2)HRPLの修復学習、言語横断的な修復調整、LRPL修復適応を段階的に行うカリキュラム学習戦略を採用し、LRPLの修復効率を改善した。 C++をソースとしてHRPL、Ruby、RustをターゲットLRPLとして使用することにより、HELO-APRは強いベースラインを一貫して上回り、DeepSeek-Coder-6.7Bでは31.32%から48.65%に、CodeLlama-7Bでは1.67%から11.97%に、CodeLlamaでは平均目標コンパイル率を49.77%から91.98%に向上した。 Defects4Rubyでは、HELO-APRはBLEU-4を61.20から66.79に、ROUGE-1を76.76から83.59に増加させ、現実の環境での開発者パッチと高い類似性を示している。 最後に,各コアコンポーネントの必要性を評価するためのアブレーション研究を行う。 これらの結果は、検証された言語間監督が低リソース言語におけるLLMベースの修復を改善するための再利用可能なアプローチを提供することを示唆している。

関連論文リスト

• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• Automated Extract Method Refactoring with Open-Source LLMs: A Comparative Study [35.50372545468027]
  抽出方法(EMR)は、コードの可読性や保守性の改善が重要であるにもかかわらず、依然として困難で手作業がほとんどである。 オープンソースのリソース効率の高い大規模言語モデル(LLM)の最近の進歩は、そのようなハイレベルなタスクに対して、有望な新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2025-10-30T13:34:41Z)
• REFINE: Enhancing Program Repair Agents through Context-Aware Patch Refinement [12.995571513415905]
  大規模言語モデル(LLM)は、最近、自動プログラム修復(APR)に強い可能性を示している。 LLMは、コードコンテキストの限定的な理解と不完全なテストスイートへの過度な信頼のために、正しい修正を作成するのに苦労することが多い。 本稿では,ドラフトパッチを正しいものに体系的に変換する新しいパッチリファインメントフレームワークRefineを提案する。
  論文  参考訳（メタデータ） (2025-10-04T00:34:32Z)
• SPARK: Synergistic Policy And Reward Co-Evolving Framework [84.22494672256894]
  我々は、RLVR上に構築された効率的でオン・ポリティクス、安定した手法であるSPARK(Synergistic Policy and Reward Co-Evolving Framework)を紹介する。 ロールアウトと正確性データを捨てる代わりに、SPARKはこの貴重な情報をリサイクルし、生成的報酬モデルとしてモデル自体をトレーニングする。 SPARK は複数の LLM モデルと LVLM モデル,および複数の推論,報酬モデル,一般ベンチマークにおいて,大幅な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2025-09-26T17:50:12Z)
• RelRepair: Enhancing Automated Program Repair by Retrieving Relevant Code [11.74568238259256]
  RelRepairは関連するプロジェクト固有のコードを取得し、プログラムの自動修復を強化する。 広く研究されている2つのデータセット、Defects4J V1.2 と ManySStuBs4J について RelRepair の評価を行った。
  論文  参考訳（メタデータ） (2025-09-20T14:07:28Z)
• Accelerating Automatic Program Repair with Dual Retrieval-Augmented Fine-Tuning and Patch Generation on Large Language Models [28.75106676284909]
  新たに設計されたデュアルRAGモジュールと微調整LDMを統合した新しいAPR手法であるSelRepairを提案する。 このアプローチでは、バグフィックスペアデータセットを微調整に使用し、RAG選択ゲートを通じて意味的および構文的/構造的類似情報を組み込む。 Javaデータセットの評価では、SelRepairは他のAPRメソッドよりも優れており、異なるデータセット上での正確なマッチング(EM)で26.29%と17.64%を達成し、制御された入力長で推論時間を少なくとも6.42%削減している。
  論文  参考訳（メタデータ） (2025-07-14T09:41:51Z)
• QiMeng-CodeV-R1: Reasoning-Enhanced Verilog Generation [51.393569044134445]
  大きな言語モデル(LLM)は、強化学習と検証可能な報酬(RLVR)によって訓練され、明示的で自動化可能な検証を伴うタスクにおいてブレークスルーを達成した。 しかし、自然言語(NL)仕様からVerilogのようなハードウェア記述言語(HDL)を自動的に生成するRLVRの拡張には、3つの大きな課題がある。 本稿では,Verilog 生成 LLM をトレーニングするための RLVR フレームワークである CodeV-R1 を紹介する。
  論文  参考訳（メタデータ） (2025-05-30T03:51:06Z)
• Investigating the Transferability of Code Repair for Low-Resource Programming Languages [57.62712191540067]
  大規模言語モデル(LLM)は、コード生成タスクにおいて顕著なパフォーマンスを示している。 近年の作業は、連鎖推論や蒸留といった現代的な技術を統合することで、コード修復のプロセスを強化している。 高低資源言語と低低資源言語の両方でコード修復を蒸留する利点について検討する。
  論文  参考訳（メタデータ） (2024-06-21T05:05:39Z)
• Hybrid Automated Program Repair by Combining Large Language Models and Program Analysis [12.7034916462208]
  自動プログラム修復(APR)は、人間の開発者のバグ修正プロセスを合理化する可能性から、大きな注目を集めている。 本稿ではGIANTREPAIRと呼ばれる革新的なAPR手法を紹介する。 この知見に基づいて、GIANTREPAIRはまず、LLM生成したパッチからパッチスケルトンを構築して、パッチ空間を閉じ込め、その後、特定のプログラムに適した高品質なパッチを生成する。
  論文  参考訳（メタデータ） (2024-06-03T05:05:12Z)

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。