論文の概要: On-the-Fly Input Adaptation for Reliable Code Intelligence

• arxiv url: http://arxiv.org/abs/2605.19365v1
• Date: Tue, 19 May 2026 04:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.1322
• Title: On-the-Fly Input Adaptation for Reliable Code Intelligence
• Title（参考訳）: 信頼コードインテリジェンスのためのオンザフライ入力適応
• Abstract要約: コード言語モデル(CLM)は、生成タスクと分類タスクの両方において、ソフトウェア工学において中心的な役割を果たす。 既存のソリューションは、モデルの再トレーニング、アーキテクチャの変更、あるいはプロンプトの再設計によって、この問題に対処する。 本研究は,パラメータを変更せずにモデル動作を改善する,オンザフライ入力適応に基づく代替戦略を提案する。
• 参考スコア（独自算出の注目度）: 11.136449698197174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Code language models (CLMs) play a central role in software engineering across both generation and classification tasks. However, these models still exhibit notable mispredictions in real-world applications, even when trained on up-to-date data. Existing solutions address this by retraining the model, modifying its architecture, or re-engineering prompts. These approaches incur high computational cost requiring substantial effort in data labeling, model updates, and redeployment, and often suffer from poor generalization across tasks and tuning instability across models. This work proposes an alternative strategy based on on-the-fly input adaptation, which improves model behavior without altering its parameters or requiring additional supervision. The method consists of two stages: input validation, which detects inputs likely to cause mispredictions, and input adaptation, which transforms them using syntax- and semantics-preserving operations to better align with the model's learned behavior. This dual strategy reduces mispredictions across diverse code understanding tasks, boosting model performance without necessitating retraining. As a scalable and resource-efficient solution, this framework holds significant promise for high-stakes applications in software engineering where reliability is critical.
• Abstract（参考訳）: コード言語モデル(CLM)は、生成タスクと分類タスクの両方において、ソフトウェア工学において中心的な役割を果たす。 しかし、これらのモデルは、最新のデータでトレーニングされた場合でも、現実世界のアプリケーションで顕著な誤予測を示す。 既存のソリューションは、モデルの再トレーニング、アーキテクチャの変更、あるいはプロンプトの再設計によって、この問題に対処する。 これらのアプローチは、データラベリング、モデル更新、再デプロイに多大な労力を要する高い計算コストを発生させ、多くの場合、タスク間の一般化の貧弱さとモデル間の不安定性のチューニングに悩まされる。 本研究は、パラメータを変更したり、追加の監督を必要とすることなく、モデル動作を改善するオンザフライ入力適応に基づく代替戦略を提案する。 入力検証(input validation)は、入力が誤予測を引き起こす可能性のある入力を検知し、入力適応(input adapt)は、モデルが学習した振る舞いをより良く整合させるために、構文とセマンティックス保存操作を使用してそれらを変換する。 この二重戦略は、さまざまなコード理解タスク間の誤予測を減らし、再トレーニングを必要とせずにモデルパフォーマンスを向上する。 スケーラブルでリソース効率のよいソリューションであるこのフレームワークは、信頼性が不可欠であるソフトウェア工学において、高いスループットのアプリケーションに対して大きな約束を持っています。

関連論文リスト

• Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
  本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。 本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T06:25:10Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
  より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。 当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。 当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
  論文  参考訳（メタデータ） (2025-03-31T07:31:32Z)
• Inference-Time Intervention in Large Language Models for Reliable Requirement Verification [2.3759432635713895]
  推論時間介入技術は微調整に代わる有望な手段である。 我々は、介入が通常時間を要する要求検証プロセスを自動化するためのきめ細かい制御を可能にする方法を実証する。 提案手法は, ベースラインモデルと微調整手法の両方において, 頑健で信頼性の高い出力を実現する。
  論文  参考訳（メタデータ） (2025-03-18T10:49:36Z)
• Gatekeeper: Improving Model Cascades Through Confidence Tuning [45.46791873454989]
  カスケード構成の小型モデルを校正するための新しい損失関数「ゲートキーパー」を導入する。 我々のアプローチは、より小さなモデルを微調整して、より大規模なモデルに複雑なタスクを遅延させながら、正しく実行できるタスクを確実に処理する。
  論文  参考訳（メタデータ） (2025-02-26T17:29:08Z)
• Framework for On the Fly Input Refinement for Deep Learning Models [0.0]
  ディープラーニングモデルは、最新のデータでトレーニングされた場合でも、現実世界のアプリケーションで顕著な誤予測を示す。 本研究では,入力検証と変換によるモデル性能向上を目的とした適応型オンザフライ入力改善フレームワークを提案する。 スケーラブルでリソース効率のよいソリューションとして、このフレームワークは、ソフトウェア工学、自然言語処理、コンピュータビジョンにおける高度なアプリケーションに対して、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-08T05:41:01Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
  視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。 リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。 モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
  論文  参考訳（メタデータ） (2022-02-22T02:33:54Z)
• Scanflow: A multi-graph framework for Machine Learning workflow management, supervision, and debugging [0.0]
  本稿では,エンドツーエンドの機械学習ワークフロー管理を支援するコンテナ化指向グラフフレームワークを提案する。 このフレームワークは、コンテナ内でMLを定義してデプロイし、メタデータを追跡し、本番環境での振る舞いを確認し、学習された知識と人為的な知識を使用してモデルを改善する。
  論文  参考訳（メタデータ） (2021-11-04T17:01:12Z)

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。