論文の概要: Bridging Generation and Training: A Systematic Review of Quality Issues in LLMs for Code
- arxiv url: http://arxiv.org/abs/2605.05267v1
- Date: Wed, 06 May 2026 09:38:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.327209
- Title: Bridging Generation and Training: A Systematic Review of Quality Issues in LLMs for Code
- Title（参考訳）: ブリジングジェネレーションとトレーニング:LLMのコード品質問題に関する体系的レビュー
- Abstract要約: 大規模言語モデル(LLM)は、コード生成タスクでしばしば欠陥出力を生成する。
本稿では,学習データ品質の問題がコード生成にどのように伝播するかを検討するために,114の初等研究の体系的な文献レビューを行う。
9次元にわたって生成されたコード品質の問題を分類し、データ品質の問題をコードと非コード属性に分類する統合された分類法を確立します。
- 参考スコア（独自算出の注目度）: 43.25979680914508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) frequently generate defective outputs in code generation tasks, ranging from logical bugs to security vulnerabilities. While these generation failures are often treated as model-level limitations, empirical evidence increasingly traces their root causes to imperfections within the training corpora. Yet, the specific mechanisms linking training data quality issues to generated code quality issues remain largely unmapped. This paper presents a systematic literature review of 114 primary studies to investigate how training data quality issues propagate into code generation. We establish a unified taxonomy that categorizes generated code quality issues across nine dimensions and training data quality issues into code and non-code attributes. Based on this taxonomy, we formalize a causal framework detailing 18 typical propagation mapping mechanisms. Furthermore, we synthesize state-of-the-art detection and mitigation techniques across the data, model, and generation lifecycles. The reviewed literature reveals a clear methodological shift: quality assurance is transitioning from reactive, heuristic-based post-generation filtering toward proactive, data-centric governance and closed-loop repair. Finally, we identify open challenges and outline research directions for developing reliable LLMs for code through integrated data curation and continuous evaluation. Our repository is available at https://github.com/SYSUSELab/From-Data-to-Code.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、論理的なバグからセキュリティ脆弱性まで、コード生成タスクにおいて欠陥出力を頻繁に生成する。
これらの世代失敗はモデルレベルの限界として扱われることが多いが、経験的証拠はトレーニングコーパス内の欠陥の原因をますます追跡している。
しかし、トレーニングデータ品質問題と生成されたコード品質問題とを結びつける具体的なメカニズムは、いまだに未マップのままです。
本稿では,学習データ品質の問題がコード生成にどのように伝播するかを検討するために,114の初等研究の体系的な文献レビューを行う。
9次元にわたって生成されたコード品質の問題を分類し、データ品質の問題をコードと非コード属性に分類する統合された分類法を確立します。
この分類に基づいて18の典型的な伝播マッピング機構を詳述した因果的枠組みを定式化した。
さらに,データ,モデル,生成ライフサイクル全体にわたる最先端検出・緩和手法を合成する。
品質保証は、リアクティブでヒューリスティックなポストジェネレーションフィルタリングから、積極的にデータ中心のガバナンスとクローズドループの修復へと移行しています。
最後に、オープンな課題を特定し、統合されたデータキュレーションと連続的な評価を通じて、コードのための信頼性の高いLCMを開発するための研究の方向性を概説する。
私たちのリポジトリはhttps://github.com/SYSUSELab/From-Data-to-Code.orgで利用可能です。
関連論文リスト
- On Automated and Explainable Provenance of AI-Generated Code [56.818202904805446]
次世代のCodeGenAIツールは、説明可能な証明の基礎の上に構築されなければならない、と我々は主張する。
本稿では,大規模実証研究とポストホック因果・解釈可能性技術を組み合わせた研究プログラムについて述べる。
論文 参考訳（メタデータ） (2026-08-03T14:50:31Z) - A Survey of Bugs in AI-Generated Code [7.6152117373301875]
AI生成コードに関連するいくつかの品質問題が報告されている。
本稿では、既存のAI生成コード文献を体系的に分析し、生成されたコードにおけるバグや欠陥の全体的な理解を確立する。
論文 参考訳（メタデータ） (2025-12-04T20:35:59Z) - A Causal Perspective on Measuring, Explaining and Mitigating Smells in LLM-Generated Code [49.09545217453401]
Propensity Smelly Score (PSC) は、特定の臭いの種類を生成する確率を推定する計量である。
我々は、生成戦略、モデルサイズ、モデルアーキテクチャ、および生成したコードの構造特性をいかに形成するかを識別する。
PSCは、開発者がモデルの振る舞いを解釈し、コード品質を評価するのに役立つ。
論文 参考訳（メタデータ） (2025-11-19T19:18:28Z) - Taming Imperfect Process Verifiers: A Sampling Perspective on Backtracking [54.43083499412643]
言語モデルの生成能力をプロセス検証器と組み合わせたテストタイムアルゴリズムは、新しい推論能力を引き出すための有望なレバーを提供する。
提案手法は, 理論的に根拠付きバックトラックを用いて, 検証誤差に対して, 確実な堅牢性を実現するための新しいプロセス誘導型テスト時間サンプリングアルゴリズムであるVGBを導入する。
論文 参考訳（メタデータ） (2025-10-03T16:21:14Z) - A Note on Code Quality Score: LLMs for Maintainable Large Codebases [1.9989195565248983]
本稿では,コード変更による問題を自動的に検出するコード品質スコア(CQS)システムを提案する。
コアとなるCQSシステムは、(SFTとオフラインのRLアプローチで)微調整された2つのLlama3モデルによって駆動される。
優れたユーザエクスペリエンスを維持するため、手作りのルールでシステムを階層化し、誤った応答/幻覚をフィルタリングする。
論文 参考訳（メタデータ） (2025-08-01T21:09:45Z) - 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) - Synthetic Code Surgery: Repairing Bugs and Vulnerabilities with LLMs and Synthetic Data [0.0]
本稿では,Large Language Models(LLMs)を用いた合成データ生成によるAPR(Automated Program repair)の向上手法を提案する。
提案手法は, 合成試料生成と厳密な品質評価という2段階のプロセスを通じて, この制限に対処する。
VulRepairテストセットデータセットの実験評価では、完全予測率の統計的に有意な改善が見られた。
論文 参考訳（メタデータ） (2025-05-12T09:14:20Z) - Adaptive Distraction: Probing LLM Contextual Robustness with Automated Tree Search [76.54475437069395]
大きな言語モデル(LLM)は、意味的に一貫性があるがタスクに依存しないコンテキスト情報に直面している場合、元のパフォーマンスを維持するのに苦労することが多い。
本稿では,木探索に基づく動的散逸生成フレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-03T18:43:36Z) - What's Wrong with Your Code Generated by Large Language Models? An Extensive Study [92.62952504133926]
本研究は,3つの一般的なベンチマーク上で,3つの主要なクローズドソースLLMと6つの人気のあるオープンソースLLMの性能評価を行った。
間違ったコードに対するバグの分類を開発し、一般的なバグタイプに対する根本原因を分析した。
本稿では,自己批判を導入し,LLMが生成したコードに対する批判と修正を可能にする,新たな学習自由反復手法を提案する。
論文 参考訳（メタデータ） (2024-07-08T17:27:17Z) - A Simple, Yet Effective Approach to Finding Biases in Code Generation [16.094062131137722]
この研究は、現在のコード生成システムが、彼らの大きな言語モデルバックボーンから受け継がれた望ましくないバイアスを示すことを示している。
コーディング課題のモジュラー分解と解析を可能にする「影響ブロック」の概念を提案する。
論文 参考訳（メタデータ） (2022-10-31T15:06:15Z)
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。