論文の概要: R2Code: A Self-Reflective LLM Framework for Requirements-to-Code Traceability

• arxiv url: http://arxiv.org/abs/2604.22432v1
• Date: Fri, 24 Apr 2026 10:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.428409
• Title: R2Code: A Self-Reflective LLM Framework for Requirements-to-Code Traceability
• Title（参考訳）: R2Code: 要求からコードへのトレーサビリティのための自己表現型LLMフレームワーク
• Authors: Yifei Wang, Jacky Keung, Xiaoxue Ma, Zhenyu Mao, Kehui Chen, Yishu Li,
• Abstract要約: 本稿では、推論コストを低減しつつ、トレースリンクの精度を向上させるために設計されたセマンティックトレーサビリティフレームワークであるR2Codeを提案する。 R2Codeは3つのコンポーネントを統合している: 1) 分解強化双方向アライメントネットワーク(BAN) 、4層要求セマンティクスを対応するコード構造と整合させて相互レベルのセマンティクスマッチングをサポートする; 2) 説明誘導整合性チェックを実行してリンク信頼性を校正する自己表現整合性検証(SRCV)モジュール、3) セマンティクスオーバーラップ重み付けを用いてコンテキストを調整・フィルタリングする動的コンテキスト適応検索(DCAR)機構。
• 参考スコア（独自算出の注目度）: 10.671057890932088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate requirement-to-code traceability is crucial for software maintenance. However, existing IR- and embedding-based methods are heavily dependent on lexical similarity, often yielding incomplete or inconsistent links across projects and languages and incurring high cost from long-context retrieval and prompting. This paper presents R2Code, an LLM-based semantic traceability framework designed to improve trace link accuracy while reducing inference cost. R2Code integrates three components: 1) a decomposition-enhanced Bidirectional Alignment Network (BAN) that aligns four-layer requirement semantics with corresponding code structures to support cross-level semantic matching; 2) a Self-Reflective Consistency Verification (SRCV) module that conducts explanation-guided consistency checking to calibrate link reliability; and 3) a Dynamic Context-Adaptive Retrieval (DCAR) mechanism that adjusts retrieval granularity and filters contexts using semantic-overlap weighting for efficient context utilization. Experiments on five public datasets spanning multiple domains and two programming languages demonstrate that R2Code consistently outperforms the strongest baselines, achieving an average F1 gain of 7.4%, while reducing token consumption by up to 41.7% through adaptive context control.
• Abstract（参考訳）: ソフトウェアのメンテナンスには、正確な要件とコードのトレーサビリティが不可欠です。 しかし、既存のIRと埋め込みベースの手法は語彙的類似性に大きく依存しており、しばしばプロジェクトや言語に不完全あるいは一貫性のないリンクをもたらし、長いコンテキストの検索やプロンプトによって高いコストがかかる。 本稿では,LLMに基づくセマンティックトレーサビリティフレームワークであるR2Codeを提案する。 R2Codeは3つのコンポーネントを統合している。 1) 4層要求セマンティクスと対応するコード構造を整合させて、クロスレベルなセマンティクスマッチングをサポートする分解強化双方向アライメントネットワーク(BAN) 2) リンク信頼性を校正するための説明誘導整合性検査を行う自己回帰整合性検証(SRCV)モジュール 3)動的コンテキスト適応検索機構(DCAR)は,検索の粒度を調整し,セマンティックオーバラップ重み付けを用いてコンテキストをフィルタすることで,効率的なコンテキスト利用を実現する。 複数のドメインと2つのプログラミング言語にまたがる5つの公開データセットの実験では、R2Codeが一貫して最強のベースラインを上回り、平均的なF1ゲイン7.4%を達成し、適応コンテキスト制御によるトークン消費量を最大41.7%削減した。

関連論文リスト

• CoDe-R: Refining Decompiler Output with LLMs via Rationale Guidance and Adaptive Inference [10.71961188176124]
  バイナリ逆コンパイルは、削除された実行ファイルから高レベルのソースコードを再構築することを目的とした、重要なリバースエンジニアリングタスクである。 大規模言語モデル(LLM)は、最近、約束を示すが、しばしば「科学的幻覚」と「セマンティックなミスアライメント」に悩まされる。 本稿では,2段階の軽量コード精錬フレームワークであるCoDe-Rを提案する。
  論文  参考訳（メタデータ） (2026-04-14T15:58:38Z)
• FastCode: Fast and Cost-Efficient Code Understanding and Reasoning [32.264145740214616]
  リポジトリスケールのコード推論は、現代のAI支援ソフトウェアエンジニアリングの基盤である。 FastCodeは、コンテンツ消費からリポジトリの探索を分離するフレームワークである。
  論文  参考訳（メタデータ） (2026-03-01T09:41:15Z)
• Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
  本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。 RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
  論文  参考訳（メタデータ） (2026-02-26T02:45:22Z)
• BRIDGE: Building Representations In Domain Guided Program Verification [67.36686119518441]
  BRIDGEは、検証をコード、仕様、証明の3つの相互接続ドメインに分解する。 提案手法は, 標準誤差フィードバック法よりも精度と効率を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-11-26T06:39:19Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• MeVe: A Modular System for Memory Verification and Effective Context Control in Language Models [0.0]
  MeVeは、メモリ検証とスマートコンテキスト合成を目的とした、新しいモジュラーアーキテクチャである。 MeVe は RAG のパラダイムを再考し、検索とコンテキストの構成プロセスを明確に分解する5相モジュラー設計を提案している。 MeVeはコンテキスト効率を大幅に改善し、Wikipediaデータセットの57%の削減と、標準的なRAG実装と比較して、より複雑なHotpotQAデータセットの75%の削減を実現している。
  論文  参考訳（メタデータ） (2025-09-01T14:33:09Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)
• CAAD: Context-Aware Adaptive Decoding for Truthful Text Generation [31.469511576774252]
  大規模言語モデルに対する文脈対応適応型復号法を提案する。 当社のアプローチは、TrathfulQAで平均2.8%の改善を実現しています。 モデルに依存しない,スケーラブルで,効率的な手法では,1世代パスしか必要としない。
  論文  参考訳（メタデータ） (2025-08-04T08:28:25Z)

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。