論文の概要: Breaking the Dependency Chaos: A Constraint-Driven Python Dependency Resolution Strategy with Selective LLM Imputation

• arxiv url: http://arxiv.org/abs/2605.11772v1
• Date: Tue, 12 May 2026 08:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.723783
• Title: Breaking the Dependency Chaos: A Constraint-Driven Python Dependency Resolution Strategy with Selective LLM Imputation
• Title（参考訳）: 依存性のカオスを破る - 制約駆動のPython依存性解決戦略と選択的LLMインプット
• Authors: Kowshik Chowdhury, Dipayan Banik, Shazibul Islam Shamim,
• Abstract要約: 依存性の解決は、コンフリクトなしで一緒にインストールできるパッケージバージョンを選択するタスクである。 LLMMのような最近の研究は、Pythonとパッケージバージョンをコードから推論するために大きな言語モデルを使用することでこの問題に対処している。 SMT-LLMは,形式的制約解で推定するバージョンを置き換えたハイブリッドシステムである。
• 参考スコア（独自算出の注目度）: 1.0832844764942349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dependency resolution is the task of selecting package versions that can be installed together without conflicts. It accounts for a significant share of build failures in modern software projects. In the Python ecosystem, this task is especially challenging due to Python 2/3 incompatibilities, deprecated packages, and widespread missing metadata. Recent work, such as PLLM, tackles this problem by using large language models (LLMs) to infer Python and package versions from code and iteratively repairing them based on build errors. We present SMT-LLM, a hybrid system that replaces LLM-only version guessing with formal constraint solving. SMT-LLM uses deterministic import extraction and Python version detection via abstract syntax tree (AST) analysis, the vermin tool to infer minimum Python versions, and a five-tier import-to-package resolver that queries PyPI before any LLM call. We construct a constraint graph from PyPI metadata and LLM-imputed dependencies for packages with missing metadata, then solve for consistent version assignments using a Z3 satisfiability modulo theories (SMT) solver. On the HG2.9K benchmark using Gemma2:9B (10 GB VRAM), SMT-LLM resolves 83.6% of snippets compared to PLLM's 54.8%, while reducing median resolution time from 151.5 s to 23.9 s (6.3x faster) and average LLM calls from ~24.9 to 2.26 per snippet (11x reduction).
• Abstract（参考訳）: 依存性の解決は、コンフリクトなしで一緒にインストールできるパッケージバージョンを選択するタスクである。 現代のソフトウェアプロジェクトでは,ビルド失敗のかなりの部分を占めています。 Pythonエコシステムでは、このタスクが特に難しいのは、Python 2/3の不互換性、非推奨のパッケージ、広範囲に欠けているメタデータのためである。 PLLMのような最近の作業では、Pythonとパッケージのバージョンをコードから推論し、ビルドエラーに基づいて繰り返し修正することで、大きな言語モデル(LLM)を使用してこの問題に対処している。 SMT-LLM は LLM のみのバージョン推定を形式的制約解決に置き換えるハイブリッドシステムである。 SMT-LLMは、抽象構文木(AST)解析による決定論的インポート抽出とPythonバージョン検出、最小限のPythonバージョンを推測するVerminツール、および、いかなるLLM呼び出しよりもPyPIをクエリする5層インポート・パッケージレゾルバを使用する。 PyPI メタデータと LLM が出力するパッケージの制約グラフを構築し,Z3 適合性変調理論 (SMT) を用いた一貫したバージョン割り当てを解く。 Gemma2:9B (10 GB VRAM) を用いたHG2.9Kベンチマークでは、SMT-LLMはPLLMの54.8%に比べて83.6%のスニペットを解決し、中央値の分解時間は151.5 sから23.9 s (6.3倍高速)、平均的なLCMの呼び出しは24.9から2.26に短縮された。

関連論文リスト

• Formalize, Don't Optimize: The Heuristic Trap in LLM-Generated Combinatorial Solvers [52.23061619664667]
  大規模言語モデル(LLM)は直接推論によって複雑な問題を解くのに苦慮しているため、近年のニューロシンボリックシステムは、それを実行可能な解法を合成するためにますます利用している。 我々は,100の問題をベンチマークしたCP-SynC-XL(4,577インスタンス)を導入し,ネイティブアルゴリズム検索(Python),PythonソルバAPI(Python + OR-Tools)による制約モデリング,宣言的制約モデリングという3つのコンストラクションパラダイムを評価した。
  論文  参考訳（メタデータ） (2026-05-12T17:15:45Z)
• Correct Code, Vulnerable Dependencies: A Large Scale Measurement Study of LLM-Specified Library Versions [52.50730821321986]
  大規模言語モデル(LLM)におけるバージョンレベルのリスクの大規模評価を初めて行った。 我々は1000のStack OverflowプログラミングタスクのベンチマークであるPinTrace上で10のLLMを評価した。 LLM バージョン選択は LLM ベース開発における第1級, 以前は見落とされたリスクサーフェスとして確認された。
  論文  参考訳（メタデータ） (2026-05-07T13:52:59Z)
• MEMRES: A Memory-Augmented Resolver with Confidence Cascade for Agentic Python Dependency Resolution [1.6376585841690154]
  MEMRESはPythonの依存性解決のためのエージェントシステムである。 Gemma-2 9B (10 GB VRAM) を使用したHG2.9Kでは、MEMRESは2890スニペットの2503スニペットを解決している。
  論文  参考訳（メタデータ） (2026-04-18T09:52:45Z)
• PyTrim: A Practical Tool for Reducing Python Dependency Bloat [4.121942353083345]
  依存性の肥大化はPythonプロジェクトでの永続的な課題である。 このプロセスを自動化するエンド・ツー・エンドのシステムであるPYTRIMを導入する。 PYTRIMは、さまざまなファイルタイプにわたる未使用のインポートとパッケージ宣言を削除する。
  論文  参考訳（メタデータ） (2025-10-01T08:58:55Z)
• The Last Dependency Crusade: Solving Python Dependency Conflicts with LLMs [10.800983456810165]
  本稿では,Pythonプログラムの依存性問題を自動的に修復するLarge Language Models (LLMs) について検討する。 本稿では,新しい検索拡張世代 (RAG) アプローチであるHGM (plum) を提案する。
  論文  参考訳（メタデータ） (2025-01-27T16:45:34Z)
• SWE-Fixer: Training Open-Source LLMs for Effective and Efficient GitHub Issue Resolution [56.9361004704428]
  大規模言語モデル(LLM)は、様々な複雑なタスクにまたがる顕著な習熟度を示している。 SWE-Fixerは、GitHubの問題を効果的かつ効率的に解決するために設計された、新しいオープンソースフレームワークである。 我々は,SWE-Bench LiteとVerifiedベンチマークに対するアプローチを評価し,オープンソースモデル間の競合性能を実現する。
  論文  参考訳（メタデータ） (2025-01-09T07:54:24Z)
• PyPulse: A Python Library for Biosignal Imputation [58.35269251730328]
  PyPulseは,臨床およびウェアラブルの両方のセンサ設定において生体信号の計算を行うPythonパッケージである。 PyPulseのフレームワークは、非機械学習バイオリサーバーを含む幅広いユーザーベースに対して、使い勝手の良いモジュラーで拡張可能なフレームワークを提供する。 PyPulseはMITライセンスでGithubとPyPIでリリースしました。
  論文  参考訳（メタデータ） (2024-12-09T11:00:55Z)
• PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
  PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
  論文  参考訳（メタデータ） (2022-01-12T07:32:36Z)

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。