論文の概要: XSearch: Explainable Code Search via Concept-to-Code Alignment

• arxiv url: http://arxiv.org/abs/2605.16046v1
• Date: Fri, 15 May 2026 15:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.332982
• Title: XSearch: Explainable Code Search via Concept-to-Code Alignment
• Title（参考訳）: XSearch: 概念からコードへのアライメントによる説明可能なコード検索
• Authors: Yiming Liu, Ruofan Liu, Yun Lin, Zicong Zhang, Weiyu Kong, Pengnian Qi, Xiao Cheng, Weinan Zhang, Qianxiang Wang, Linpeng Huang,
• Abstract要約: 我々は、本質的に説明可能なコード検索フレームワークであるXSearchを提案する。 XSearchはクエリの関数概念を特定し、それに対応するコードステートメントを明示的に調整する。 我々は、明示的な概念調整目標を持つエンコーダを訓練し、クエリ概念とコードステートメントとの明示的なマッチングを通して検索を行う。
• 参考スコア（独自算出の注目度）: 30.606443667402335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic code search has been widely adopted in both academia and industry. These approaches embed natural-language queries and code snippets into a shared embedding space and retrieve results based on vector similarity. Despit strong performance on benchmark datasets, they often suffer from poor explainability and generalization. Retrieved code may appear semantically similar yet miss critical functional requirements of the query, while providing no explanation of why the result was retrieved. Moreover, such failures become more severe under distribution shift, where models struggle to generalize to unseen benchmarks. In this work, we propose XSearch, an intrinsically explainable code search framework. Our key insight is that by relying on global embedding similarity, existing retrievers inherently take an inductive view. They learn statistical patterns rather than truly understanding the query's functional requirements. We address this problem by reformulating code search as a deductive concept alignment problem. XSearch (i) identifies functional concepts in the query and (ii) explicitly aligns them with corresponding code statements. This explain-then-predict design produces inherent concept-level explanations and mitigates shortcut learning that harms out-of-distribution generalization. We train an encoder with explicit concept-alignment objectives and perform retrieval through explicit matching between query concepts and code statements. Experiments show that, trained on CodeSearchNet using GraphCodeBERT (125M parameters), XSearch improves performance on out-of-distribution benchmarks from 0.02 to 0.33 (15x) over eight state-of-the-art retrievers, and consistently outperforms both encoder- and decoder-based baselines with up to 7B parameters. A user study demonstrates that concept-alignment explanations enable users to evaluate retrieved results faster and more accurately.
• Abstract（参考訳）: セマンティックコード検索は学術と産業の両方で広く採用されている。 これらのアプローチは、自然言語クエリとコードスニペットを共有埋め込み空間に埋め込み、ベクトル類似性に基づいて結果を取得する。 ベンチマークデータセットのパフォーマンスは高いが、説明容易性や一般化に悩まされることが多い。 検索されたコードは、セマンティックに類似しているように見えるが、クエリの重要な機能要件を見逃す可能性がある。 さらに、そのような失敗は、モデルが目に見えないベンチマークに一般化するのに苦労する分散シフトの下で、より深刻になる。 そこで本研究では,本質的に説明可能なコード検索フレームワークであるXSearchを提案する。 我々の重要な洞察は、グローバルな埋め込み類似性に頼ることで、既存のレトリバーは本質的に帰納的ビューを取ります。 クエリの機能要件を真に理解するのではなく、統計的パターンを学習する。 本稿では,コード検索を帰納的概念整合問題として再構成することでこの問題に対処する。 X Search i)クエリとクエリにおける関数的概念を識別する (ii)対応するコード文を明示的にアライメントする。 この説明予測設計は、本質的に概念レベルの説明を生み出し、分布外一般化を損なうショートカット学習を緩和する。 我々は、明示的な概念調整目標を持つエンコーダを訓練し、クエリ概念とコードステートメントとの明示的なマッチングを通して検索を行う。 実験によると、GraphCodeBERT (125Mパラメータ)を使用してCodeSearchNetでトレーニングされたXSearchは、8つの最先端レトリバーで0.02から0.33 (15x)のパフォーマンスを改善し、エンコーダベースのベースラインとデコーダベースのベースラインを最大7Bパラメータで一貫して上回っている。 ユーザスタディでは,概念アライメントの説明によって,検索結果を迅速かつ正確に評価できることが示されている。

関連論文リスト

• ROG: Retrieval-Augmented LLM Reasoning for Complex First-Order Queries over Knowledge Graphs [14.25887925588904]
  本稿では,クエリを意識した近傍検索と大規模言語モデル(LLM)の連鎖推論を組み合わせた検索拡張フレームワークを提案する。 ROGはマルチ演算クエリを単一演算サブクエリのシーケンスに分解する。 中間回答セットはステップ間でキャッシュされ再利用され、深い推論チェーンの一貫性が向上します。
  論文  参考訳（メタデータ） (2026-02-02T17:45:43Z)
• AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion [55.21541958868449]
  リポジトリレベルのコード補完フレームワークであるAlignCoderを提案する。 我々のフレームワークは、初期クエリとターゲットコードのセマンティックギャップを橋渡しする拡張クエリを生成する。 我々は、拡張クエリにおける推論情報を活用してより正確な検索を行うAlignRetrieverのトレーニングに強化学習を採用する。
  論文  参考訳（メタデータ） (2026-01-27T15:23:14Z)
• Beyond Function-Level Search: Repository-Aware Dual-Encoder Code Retrieval with Adversarial Verification [11.965887077524577]
  RepoAlign-Benchは、変更要求駆動シナリオ下でリポジトリレベルのコード検索を評価するために設計された最初のベンチマークである。 そこで我々は,逆反射型デュアルトウワーアーキテクチャであるReflectCodeを提案し,このアーキテクチャは逆向きのcode_encoder と doc_encoder コンポーネントを特徴とする。 実験の結果、ReflectCodeはTop-5の精度を12.2%改善し、7.1%のリコールを実現している。
  論文  参考訳（メタデータ） (2025-10-16T18:47:04Z)
• RANGER -- Repository-Level Agent for Graph-Enhanced Retrieval [0.38298911754746934]
  汎用自動化ソフトウェアエンジニアリング(ASE)には、コード補完、検索、修復、QA、要約といったタスクが含まれる。 これらのタスクは、コードエンティティやコードエンティティクエリに関する特定のクエリを処理できるコード検索システムを必要とする。 本稿では、両方のクエリタイプに対応するように設計されたリポジトリレベルのコード検索エージェントであるRANGERを紹介する。
  論文  参考訳（メタデータ） (2025-09-27T18:57:02Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval [54.54576644403115]
  BRIGHTは、関係する文書を検索するために、集中的推論を必要とする最初のテキスト検索ベンチマークである。 私たちのデータセットは、経済学、心理学、数学、コーディングなど、さまざまな領域にまたがる1,384の現実世界のクエリで構成されています。 クエリに関する明示的な推論を取り入れることで、検索性能が最大12.2ポイント向上することを示す。
  論文  参考訳（メタデータ） (2024-07-16T17:58:27Z)
• Improving Code Search with Hard Negative Sampling Based on Fine-tuning [15.341959871682981]
  本稿では,クエリとコードの結合を共同で符号化するコード検索のためのクロスエンコーダアーキテクチャを提案する。 また、両エンコーダとクロスエンコーダをカスケードしたRetriever-Ranker(RR)フレームワークを導入し、評価とオンラインサービスの有効性を高める。
  論文  参考訳（メタデータ） (2023-05-08T07:04:28Z)
• Enhancing Semantic Code Search with Multimodal Contrastive Learning and Soft Data Augmentation [50.14232079160476]
  コード検索のためのマルチモーダルコントラスト学習とソフトデータ拡張を用いた新しい手法を提案する。 我々は,6つのプログラミング言語を用いた大規模データセットにおけるアプローチの有効性を評価するために,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-04-07T08:49:27Z)

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。