論文の概要: EviACT: An Evidence-to-Action Framework for Agentic Program Repair

• arxiv url: http://arxiv.org/abs/2605.27238v1
• Date: Tue, 26 May 2026 16:17:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.408248
• Title: EviACT: An Evidence-to-Action Framework for Agentic Program Repair
• Title（参考訳）: EviACT:エージェントプログラム修復のためのエビデンス・ツー・アクション・フレームワーク
• Authors: Qianru Meng, Xiao Zhang, Zhaochun Ren, Joost Visser,
• Abstract要約: EviACTは、3つのエビデンス駆動ガードレールを修復段階にわたって調整するエージェントAPRフレームワークである。 最強の報告されたベースラインよりも1.6-6.0ポイントのリゾルバ率を改善する。 ベースラインコストが利用可能なバグ毎のAPIコストは70.1-88.6%低下している。
• 参考スコア（独自算出の注目度）: 21.78498442884825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based agents have moved automated program repair (APR) from fixed-context patch generation to interactive repository-level repair. However, existing agentic APR systems still struggle to use execution evidence to guide localization, patch generation, and validation. We propose EviACT (Evidence-to-Action), an agentic APR framework that coordinates three evidence-driven guardrails across repair stages. The retrieval scaffold grounds repair context, the compile gate filters invalid edits, and the test-driven gate checks target-test recovery before full regression. Across four benchmarks, EviACT improves resolve rate over the strongest reported comparable baselines by 1.6-6.0 percentage points and shows 70.1-88.6% lower reported per-bug API cost where baseline costs are available. Ablations and diagnostics suggest that these gains are associated with the coordinated evidence-to-action chain, making agentic APR more effective and efficient.
• Abstract（参考訳）: LLMベースのエージェントは、自動プログラム修復(APR)を固定コンテキストパッチ生成からインタラクティブリポジトリレベルの修復に移行した。 しかし、既存のエージェントAPRシステムは、ローカライゼーション、パッチ生成、バリデーションのガイドとして実行証拠の使用に苦慮している。 EviACT(Evidence-to-Action, Evidence-to-Action)は3つのエビデンス駆動ガードレールを協調するエージェントAPRフレームワークである。 検索足場は修復コンテキストを基盤とし、コンパイルゲートフィルタは無効な編集を行い、テスト駆動ゲートは完全な回帰前にターゲットテスト回復をチェックする。 4つのベンチマークで、EviACTは最強の報告された同等のベースラインよりも1.6-6.0ポイントのリゾルバ率を改善し、ベースラインコストが利用可能な報告されたバグごとのAPIコストを70.1-88.6%削減した。 アブレーションと診断は、これらの利得が協調したエビデンス・ツー・アクション・チェーンと関連していることを示唆し、エージェントAPRをより効果的かつ効率的にする。

関連論文リスト

• BLAgent: Agentic RAG for File-Level Bug Localization [2.2917707112773593]
  BLAgentはファイルレベルのバグローカライゼーションのための新しいエージェントRAGフレームワークである。 BLAgentは、オープンソースモデルで78%以上のTop-1精度を達成した。 BLAgentは、エンドツーエンドの修復の成功を20%以上改善する。
  論文  参考訳（メタデータ） (2026-05-18T07:20:13Z)
• ContraFix: Agentic Vulnerability Repair via Differential Runtime Evidence and Skill Reuse [10.503895811137095]
  大規模言語モデル(LLM)エージェントは、自動脆弱性修復にますます利用されている。 最近の実証的な結果は、これらのエージェントがいまだに現実世界の脆弱性と戦っていることを示している。 ContraFixは、再利用可能な修復スキルとランタイムエビデンスを結合するエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-05-17T13:48:25Z)
• On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment [54.30690671490447]
  既存の安全アライメント信号は、主に応答レベルまたは政治外である。 FATEは、検証済みの失敗を専門家のデモンストレーションなしで修復管理に変換する。 FATEは攻撃成功率を33.5%、有害なコンプライアンスを82.6%削減し、外的軌道安全診断を6.5%改善する。
  論文  参考訳（メタデータ） (2026-05-12T09:56:28Z)
• Runtime Execution Traces Guided Automated Program Repair with Multi-Agent Debate [8.424102114588559]
  自動プログラム修復(APR)は複雑なロジックエラーとサイレント障害に悩まされる。 現在のLLMベースのAPRメソッドは主に静的であり、ソースコードと基本的なテスト出力に依存している。 我々は、パッチ検証のための共有制約としてランタイム事実を活用するマルチエージェントフレームワークであるTraceRepairを提案する。
  論文  参考訳（メタデータ） (2026-04-03T02:23:25Z)
• Are Benchmark Tests Strong Enough? Mutation-Guided Diagnosis and Augmentation of Regression Suites [49.16055123488827]
  十分に強力なテストスイートは、報告された成功率を膨らませながら、妥当だが意味的に正しくないパッチを認めることができる。 STINGは、意味的に変化するプログラムの変種を診断ストレス要因として利用する、ターゲットテスト拡張のためのフレームワークである。 STINGは211インスタンスにまたがる1014の検証テストを生成し、パッチリージョンラインとブランチカバレッジを10.8%、9.5%向上させた。
  論文  参考訳（メタデータ） (2026-04-02T01:13:40Z)
• RECOVER: Robust Entity Correction via agentic Orchestration of hypothesis Variants for Evidence-based Recovery [8.750432529472802]
  ツール使用エージェントとして機能するエージェント修正フレームワークであるRECOVERを紹介する。 複数の仮説をASRの証拠として利用し、関連するエンティティを検索し、制約の下で大言語モデル(LLM)の修正を適用する。 エンティティ・フレーズの単語誤り率(E-WER)を8～46%削減し、リコール率を最大22ポイント向上させる。
  論文  参考訳（メタデータ） (2026-03-17T11:48:12Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• REFINE: Enhancing Program Repair Agents through Context-Aware Patch Refinement [12.995571513415905]
  大規模言語モデル(LLM)は、最近、自動プログラム修復(APR)に強い可能性を示している。 LLMは、コードコンテキストの限定的な理解と不完全なテストスイートへの過度な信頼のために、正しい修正を作成するのに苦労することが多い。 本稿では,ドラフトパッチを正しいものに体系的に変換する新しいパッチリファインメントフレームワークRefineを提案する。
  論文  参考訳（メタデータ） (2025-10-04T00:34:32Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)

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。