論文の概要: Rover: Context-aware Conflict Resolution with LLM

• arxiv url: http://arxiv.org/abs/2605.17279v1
• Date: Sun, 17 May 2026 06:21:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.82545
• Title: Rover: Context-aware Conflict Resolution with LLM
• Title（参考訳）: Rover: LLMとのコンテキスト対応の衝突解決
• Authors: Qingyu Zhang, Junzhe Li, Jiayi Lin, Changhua Luo, Chenxiong Qian,
• Abstract要約: 特に大規模プロジェクトでは、コードのマージは重要な課題です。 プログラム分析と機械学習を含む既存のソリューションは、将来性を示しているが、重要な制限に直面している。 本稿では,プログラム解析と大規模言語モデルを統合する新たな競合解決システムであるRoverを紹介する。
• 参考スコア（独自算出の注目度）: 10.069365211450997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Code merging is a significant challenge, particularly in large-scale projects. Existing solutions, including program analysis and machine learning, show promise but face critical limitations. Program analysis lacks the ability to infer developers' intentions, relying on conservative strategies that offload unresolved conflicts for manual handling. Meanwhile, model-based approaches struggle with conflicts involving complex code dependencies due to insufficient contextual awareness. To address these gaps, we introduce Rover, a novel conflict resolution system that integrates program analysis with large language models (LLMs). To obtain context-aware prompts, we propose Multi-layer Code Property Graph (MtCPG), a new representation capturing inter-file dependencies and enabling contextual analysis for a given conflict. Using graph connectivity algorithms, Rover further clusters conflicting code and associated changes into meaningful "contexts" that guide the LLM in generating accurate resolutions. We compared Rover with standalone LLMs, machine learning baseline MergeGen, and suggestion provider tool WizardMerge with adjacent code as the contexts. Evaluation results show that Rover surpasses all of these approaches in terms of conflict resolution, achieving higher similarity to ground-truth resolutions at character, lexical, and semantic levels.
• Abstract（参考訳）: 特に大規模プロジェクトでは、コードのマージは重要な課題です。 プログラム分析と機械学習を含む既存のソリューションは、将来性を示しているが、重要な制限に直面している。 プログラム分析には開発者の意図を推測する能力がなく、手動処理のために未解決の競合をオフロードする保守的な戦略に依存している。 一方、モデルベースのアプローチは、コンテキスト認識が不十分なため、複雑なコード依存の競合に苦しむ。 これらのギャップに対処するために,プログラム解析とLLMを統合する新たな競合解決システムであるRoverを紹介する。 コンテクスト対応のプロンプトを得るために、ファイル間の依存関係をキャプチャし、与えられたコンフリクトに対してコンテキスト解析を可能にする新しい表現であるMtCPG(Multi-layer Code Property Graph)を提案する。 グラフ接続アルゴリズムを使用することで、ローバーはさらにコードと関連する変更を意味のある"コンテキスト"にクラスタ化し、LCMが正確な解像度を生成するのを導く。 我々はRoverをスタンドアロンのLLM、機械学習ベースラインのMergeGen、提案プロバイダツールのWizardMergeと、隣接するコードをコンテキストとして比較した。 評価の結果、ローバーは対立解決の観点からこれらのアプローチの全てを超越し、性格、語彙、意味レベルでの地味な解決と高い類似性を達成していることが明らかとなった。

関連論文リスト

• LLM-based vs. Search-based Merge Conflict Resolution: An Empirical Study of Competing Paradigms [0.0]
  大規模言語モデル(LLM)に基づく生成的アプローチと検索ベースソフトウェア工学(SBSE)からの最適化手法 本稿では,これらのパラダイムを直接比較し,実世界のシナリオにおけるそれらの能力と限界を識別する実験を行った。
  論文  参考訳（メタデータ） (2026-05-15T21:34:32Z)
• Mitigating Context-Memory Conflicts in LLMs through Dynamic Cognitive Reconciliation Decoding [51.242997961841276]
  大規模言語モデルは事前学習を通じてパラメトリック知識を蓄積する。 知識の衝突は、時代遅れまたは誤ったパラメトリック知識が文脈における外部知識と衝突する際に起こる。 既存の手法は、対照的な復号化を通じて知識の衝突に対処するが、競合のないシナリオでは静的アプローチが出力分布を妨害する。 本稿では,動的認知和解復号法(DCRD)を提案する。
  論文  参考訳（メタデータ） (2026-05-12T14:29:45Z)
• AutothinkRAG: Complexity-Aware Control of Retrieval-Augmented Reasoning for Image-Text Interaction [43.86866325776962]
  複数のモデルの機能を相乗化することにより,複雑な文書の理解を深めるフレームワークを提案する。 具体的には、クエリの難易度の分析に基づいて、推論経路を割り当てるクエリ複雑度ルータを提案する。
  論文  参考訳（メタデータ） (2026-03-05T02:29:33Z)
• CC-VQA: Conflict- and Correlation-Aware Method for Mitigating Knowledge Conflict in Knowledge-Based Visual Question Answering [53.7094431951084]
  知識に基づく視覚的質問応答(KB-VQA)は、知識集約的なタスクを扱う大きな可能性を示す。 視覚言語モデルにおける静的パラメトリック知識と動的に取得された情報との間には矛盾が生じる。 KB-VQAのトレーニングフリー・コンフリクト対応・相関対応手法としてtextbfCC-VQAを提案する。
  論文  参考訳（メタデータ） (2026-02-27T11:56:26Z)
• Diagnosing Knowledge Conflict in Multimodal Long-Chain Reasoning [78.86309644343295]
  長い連鎖推論におけるマルチモーダルな大言語モデル(MLLM)は、異なる知識源が矛盾する信号を提供するときにしばしば失敗する。 我々は、これらの失敗を知識の衝突という統一概念の下で形式化し、入力レベルの客観的衝突とプロセスレベルの効果的な衝突を区別する。 本研究は,知識衝突下でのマルチモーダル推論のメカニズムを考察し,長CoT障害の診断と制御を可能にする。
  論文  参考訳（メタデータ） (2026-02-16T07:10:44Z)
• That's Deprecated! Understanding, Detecting, and Steering Knowledge Conflicts in Language Models for Code Generation [55.78914774437411]
  大規模言語モデル(LLM)は、パラメトリック知識とプロンプトに含まれる矛盾する情報との相違に直面して振る舞う。 このような対立を構築・解釈するためのドメインに依存しないフレームワークを提案する。 本研究では, アクティベーションレベルのステアリングが, ランダムベースライン上でのステアリング成功率を最大12.6%向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-10-21T22:27:56Z)
• When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
  我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。 タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
  論文  参考訳（メタデータ） (2025-02-21T02:24:43Z)
• Insight Over Sight: Exploring the Vision-Knowledge Conflicts in Multimodal LLMs [55.74117540987519]
  本稿では,マルチモーダル大言語モデル(MLLM)におけるコモンセンスレベル・ビジョン・知識衝突の問題について考察する。 MLLMにおけるこれらの競合をシミュレートし、評価するために設計された入力を生成するために、人間のループ品質制御を付加した自動フレームワークを導入する。 このフレームワークを用いて、374のオリジナル画像と1,122の高品質な質問応答対からなる診断ベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-10-10T17:31:17Z)
• Unraveling Cross-Modality Knowledge Conflicts in Large Vision-Language Models [33.76903352835436]
  LVLM(Large Vision-Language Models)は、マルチモーダル入力をキャプチャし、推論する能力を示す。 これらのモデルは、そのビジョンと言語コンポーネント間の表現された知識の不整合から生じるパラメトリックな知識の衝突を招きやすい。 我々は、それらを検出し、解釈し、緩和するための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-04T17:59:28Z)
• CONGRA: Benchmarking Automatic Conflict Resolution [3.9910625211670485]
  ConGraは、ソフトウェアマージツールのパフォーマンスを評価するために設計されたベンチマークスキームである。 我々は34の現実世界プロジェクトから44,948のコンフリクトに基づいて大規模な評価データセットを構築した。
  論文  参考訳（メタデータ） (2024-09-21T12:21:41Z)

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。