論文の概要: From Custom Logic to APIs: Understanding and Recommending API Replacement Refactorings
- arxiv url: http://arxiv.org/abs/2606.06912v1
- Date: Fri, 05 Jun 2026 05:18:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.57462
- Title: From Custom Logic to APIs: Understanding and Recommending API Replacement Refactorings
- Title（参考訳）: カスタムロジックからAPIへ:APIリプレースリファクタリングの理解と推奨
- Authors: Bridget Nyirongo, Yanjie Jiang, Yuxia Zhang, Hui Liu,
- Abstract要約: カスタムロジックをAPIコールに置き換えるAPI置換は、まだ未検討である。
6つのオープンソースプロジェクトにまたがる166,299のコミットをマイニングすることで、API代替に関する最初の実証的研究を行います。
パターン認識の知識ベースを統合したハイブリッドフレームワークであるAKIRAを提案する。
- 参考スコア（独自算出の注目度）: 7.207967097886866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software refactoring is essential for maintaining code quality. However, API replacement refactoring, which replaces custom logic with API calls, remains underexplored. Existing refactoring tools provide limited support for detecting such opportunities because they rely on predefined templates and have difficulty capturing complex, multi-statement semantic equivalents. To address this limitation, we conduct the first empirical study of API replacement refactorings by mining 166,299 commits across six open-source Java projects and manually analyzing a curated subset of 1,800 commits, from which we identify 366 validated instances to characterize their scope, categories, and recurring patterns. Based on these insights, we propose AKIRA (Adaptive Knowledge Discovery and Retrieval), a hybrid framework that integrates pattern-deterministic heuristics with a refactoring-aware knowledge base to assess the practical feasibility of recommending API replacement refactorings. Our evaluation shows that AKIRA achieves 90% recall and 88% precision on a manually curated dataset. Furthermore, on the external RETIWA dataset, AKIRA significantly improves the state of the art by increasing recall from 21% to 81% and precision from 40% to 78%. These results demonstrate the effectiveness of combining static pattern matching with semantic reasoning to support the automation of recommending complex API replacement refactorings.
- Abstract（参考訳）: コード品質を維持するためには、ソフトウェアのリファクタリングが不可欠です。
しかし、カスタムロジックをAPI呼び出しに置き換えるAPI代替リファクタリングについては、まだ未検討である。
既存のリファクタリングツールは、事前定義されたテンプレートに依存し、複雑なマルチステートメントのセマンティクスの取得が困難であるため、そのような機会を検出するための限定的なサポートを提供する。
この制限に対処するため、私たちは6つのオープンソースプロジェクトで166,299のコミットをマイニングし、1,800のコミットのキュレートされたサブセットを手作業で分析することで、API代替リファクタリングに関する最初の実証的研究を行い、366の検証済みインスタンスを特定し、スコープ、カテゴリ、繰り返しパターンを特徴付ける。
これらの知見に基づいて,パターン決定論的ヒューリスティックスとリファクタリング対応知識ベースを統合するハイブリッドフレームワークであるAKIRA(Adaptive Knowledge Discovery and Retrieval)を提案する。
評価の結果,AKIRAは手作業で計算したデータセットに対して,90%のリコールと88%の精度を達成した。
さらに、外部のRETIWAデータセットでは、AKIRAはリコールを21%から81%に増加させ、精度を40%から78%に向上させる。
これらの結果は、静的パターンマッチングとセマンティック推論を組み合わせることで、複雑なAPI置換リファクタリングの自動化を支援する効果を示す。
関連論文リスト
- SWE-Refactor: A Repository-Level Benchmark for Real-World LLM-Based Code Refactoring [20.694251041823097]
大規模言語モデル(LLM)は、ソフトウェア工学のタスクに取り組むことに広く関心を集めている。
既存のベンチマークは一般的に3つの欠点に悩まされる。
SWE-Refactor は開発者によって書かれた 18 の Java プロジェクトから抽出された 1,099 の挙動保存 LLM で構成されている。
論文 参考訳（メタデータ） (2026-02-03T16:36:29Z) - OpenOneRec Technical Report [99.17075873619352]
OneRecシリーズは、断片化されたレコメンデーションパイプラインをエンドツーエンドの生成フレームワークにうまく統合した。
OneRec Foundation (1.7B と 8B) は、新しい最先端(SOTA)を確立するモデルのファミリであり、RecIF-Benchのすべてのタスクにまたがる結果である。
Amazonベンチマークに移行すると、当社のモデルは10種類のデータセットに対して平均26.8%のRecall@10の改善により、最強のベースラインを越えた。
論文 参考訳（メタデータ） (2025-12-31T10:15:53Z) - TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。
報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文 参考訳（メタデータ） (2025-11-07T16:08:34Z) - CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。
数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。
我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
論文 参考訳（メタデータ） (2025-08-05T17:55:24Z) - Refactoring $\neq$ Bug-Inducing: Improving Defect Prediction with Code Change Tactics Analysis [54.361900378970134]
Just-in-time defect prediction (JIT-DP) は、早期にソフトウェア欠陥を引き起こすコード変更の可能性を予測することを目的としている。
これまでの研究は、その頻度にもかかわらず、評価フェーズと方法論フェーズの両方でコードを無視してきた。
JIT-Defects4Jデータセットのラベリング精度を13.7%向上させるコードと伝播を分類するためのCode chAnge Tactics (CAT)解析を提案する。
論文 参考訳（メタデータ） (2025-07-25T23:29:25Z) - RefModel: Detecting Refactorings using Foundation Models [2.2670483018110366]
本稿では,RefModel というツールで実装された基礎モデルによる検出の実現可能性について検討する。
Phi4-14B と Claude 3.5 Sonnet を,人工的に生成した Java プログラムに適用した 858 個の単一動作変換のデータセット上で評価した。
実世界の環境では、Claude 3.5 SonnetとGemini 2.5 Proが共同で、すべてのトランスフォーメーションの97%を特定し、最高のパフォーマンスの静的分析ベースのツールを上回った。
論文 参考訳（メタデータ） (2025-07-15T14:20:56Z) - Automated Unit Test Refactoring [10.847400457238423]
テストの臭いは、設計プラクティスの貧弱さとドメイン知識の不足から生じます。
我々は,Javaプロジェクトにおける自動テストのための文脈拡張型LLMベースのフレームワークUTRefactorを提案する。
6つのオープンソースのJavaプロジェクトから879のテストに対してUTRefactorを評価し、テストの匂いを2,375から265に減らし、89%の削減を実現した。
論文 参考訳（メタデータ） (2024-09-25T08:42:29Z) - Together We Go Further: LLMs and IDE Static Analysis for Extract Method Refactoring [9.882903340467815]
単一のメソッドに複数の責任をカプセル化する長いメソッドはメンテナンスが難しい。
大規模言語モデル(LLM)は、大規模なコードコーパスで訓練されている。
LLMは非常に効果的であるが、信頼できない。最大76.3%は幻覚である。
論文 参考訳（メタデータ） (2024-01-27T05:01:03Z) - Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。
評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
論文 参考訳（メタデータ） (2023-12-01T19:53:23Z) - Toward the Automatic Classification of Self-Affirmed Refactoring [22.27416971215152]
SAR(Self-Affirmed Refactoring)は、開発者がコミットメッセージでアクティビティをドキュメント化する方法について調査するために導入された。
まず、コミットが開発者関連の事象を記述しているかを識別し、共通の品質改善カテゴリに従って分類する2段階のアプローチを提案する。
我々のモデルは、コミットを正確に分類し、パターンベースのランダムアプローチより優れ、より関連する40のSARパターンを発見できる。
論文 参考訳（メタデータ） (2020-09-19T18:35:21Z)
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。