論文の概要: Enhancing LLM-Based Code Translation with Verified Multi-Semantic Representations
- arxiv url: http://arxiv.org/abs/2606.11863v1
- Date: Wed, 10 Jun 2026 09:38:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 14:32:23.628623
- Title: Enhancing LLM-Based Code Translation with Verified Multi-Semantic Representations
- Title（参考訳）: 検証された多意味表現を用いたLLMに基づくコード翻訳の強化
- Authors: Yufu Wang, He Jiang, Hao Lin, Peiyu Zou, Ang Jia, Xiaochen Li, Zhilei Ren,
- Abstract要約: Multisageは、コード翻訳のためのマルチセマンティック拡張および自己校正フレームワークである。
コード要約、関数レベルのテストケース、API指向の記述とテストなど、さまざまな拡張セマンティクスを生成する。
HumanEval-Xコード翻訳ベンチマークの実験によると、Multisageは様々なバックボーンモデルで最大2.22倍の翻訳成功率向上を実現している。
- 参考スコア（独自算出の注目度）: 12.071793069280623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) have shown great promise for automated code translation, yet existing approaches often rely on token-level statistical patterns rather than sufficient understanding of program semantics. As a result, translated programs may still contain logical and semantic errors. Although high-quality semantic guidance, such as functional descriptions and test cases, can help mitigate these errors, such resources are often unavailable in real-world scenarios. This raises two key challenges: how to construct rich semantic information directly from source code, and how to ensure that such semantics are accurate and reliable enough to guide translation.To address these challenges, we propose Multisage, a multi-semantic augmentation and self-calibration framework for LLM-based code translation. Multisage consists of three modules. First, a semantic representation parsing module extracts structured base semantics from source code, including data-flow graphs, type constraints, and external API information. Second, a multi-semantic augmentation module builds on these representations to generate diverse augmented semantics, including code summaries, function-level test cases, and API-oriented descriptions and tests. Third, a semantic consistency calibration module uses semantics-preserving mutations and cross-semantic consistency verification to filter, calibrate, and refine the generated semantics.Experiments on the HumanEval-X code translation benchmark show that Multisage improves translation success rates by up to 2.22 times across diverse backbone models. It consistently outperforms vanilla prompting, instruction-tuned LLMs, and Chain-of-Thought reasoning, with the largest gains observed on smaller models. These results demonstrate that explicit semantic augmentation can substantially improve the reliability of LLM-based code translation.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、自動コード翻訳に非常に有望であるが、既存のアプローチでは、プログラムのセマンティクスを十分に理解するのではなく、トークンレベルの統計パターンに依存していることが多い。
その結果、翻訳プログラムは論理的および意味的な誤りを含む可能性がある。
機能記述やテストケースのような高品質なセマンティックガイダンスは、これらのエラーを軽減するのに役立つが、現実のシナリオではそのようなリソースは利用できないことが多い。
これは、ソースコードから直接リッチなセマンティック情報を構築する方法と、それらのセマンティクスが翻訳をガイドするのに十分正確で信頼できることを保証する方法の2つの主要な課題を提起する。
マルチセージは3つのモジュールから構成される。
まず、セマンティック表現解析モジュールは、データフローグラフ、型制約、外部API情報を含むソースコードから構造化されたベースセマンティクスを抽出する。
第2に、これらの表現に基づいて、コード要約、関数レベルのテストケース、API指向の記述とテストなど、さまざまな拡張セマンティクスを生成するマルチセマンティック拡張モジュールが構築されている。
第3に、セマンティック一貫性のキャリブレーションモジュールは、セマンティックス保存突然変異とクロスセマンティック一貫性の検証を使用して、生成されたセマンティックスをフィルタリング、キャリブレーション、精製する。HumanEval-Xコード翻訳ベンチマークの実験によると、マルチセージは、多様なバックボーンモデル間で最大2.22倍の翻訳成功率を改善する。
常にバニラのプロンプト、命令調整されたLCM、チェーン・オブ・ソート推論を上回り、より小さなモデルで観測される最大の利得である。
これらの結果から, 明示的な意味拡張により, LLMに基づくコード翻訳の信頼性が大幅に向上することが示唆された。
関連論文リスト
- DiffuRank: Effective Document Reranking with Diffusion Language Models [71.16830004674513]
拡散言語モデル(dLLM)に基づいて構築されたフレームワークであるDiffuRankを提案する。
dLLMは、左から右への順序に制約されないより柔軟なデコーディングと生成プロセスをサポートする。
モデルサイズが類似した自己回帰LDMに匹敵する性能を示す。
論文 参考訳（メタデータ） (2026-02-13T02:18:14Z) - Readability-Robust Code Summarization via Meta Curriculum Learning [53.44612630063336]
現実の世界では、コードが貧弱な構造や難読化され、モデルのパフォーマンスが著しく低下することが多い。
本稿では,可読性の低いコードに対するコード要約の堅牢性を向上する,新しい微調整手法であるRoFTCodeSumを提案する。
論文 参考訳（メタデータ） (2026-01-09T02:38:24Z) - TIT: A Tree-Structured Instruction Tuning Approach for LLM-Based Code Translation [11.882496324328905]
LLMに基づくコード翻訳のためのツリー構造化命令チューニングパラダイムであるTITを提案する。
構文的混乱を軽減するため、構文的情報表現モジュールは言語に依存しない構文的特徴を統合する。
高品質の粒度並列データを生成するために、細粒度並列データセット拡張モジュールは、ノードとコードセグメントを整列する。
論文 参考訳（メタデータ） (2025-10-10T13:53:46Z) - PLSemanticsBench: Large Language Models As Programming Language Interpreters [31.611330217819713]
大規模言語モデル(LLMs)がコード推論に長けているため、自然な疑問が生じる: LLMはプログラム(つまり、インタプリタとして振舞う)を純粋にプログラミング言語の形式的意味論に基づいて実行できるか?
本稿では, 命令型言語IMPを用いて, 小ステップ操作意味論 (SOS) と書き直しに基づく操作意味論 (K-semantics) によって定式化されている問題について検討する。
本稿では,Human-Written,LLM-Translated,Fuzzer-Generatedの3つの評価セットを提案する。
論文 参考訳（メタデータ） (2025-10-03T18:23:26Z) - Function-to-Style Guidance of LLMs for Code Translation [59.487054943812836]
コード翻訳における大規模言語モデルの性能向上を目的として,F2STransという関数型案内パラダイムを提案する。
提案手法は,(1)高品質なソースターゲットコードペアを用いた翻訳精度を最適化する機能学習という2つの重要な段階から構成される。
我々は,最新のソースコード,広範なテストケース,手動で注釈付き接頭辞翻訳を含む新しいコード翻訳ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-07-15T08:25:02Z) - The Unreasonable Effectiveness of Model Merging for Cross-Lingual Transfer in LLMs [45.08958917457921]
大規模言語モデル(LLM)は、ハイソース言語以外のタスクで依然として苦戦している。
本研究では,タスク固有のポストトレーニングデータが不足している低リソース言語への言語間移動について検討する。
論文 参考訳（メタデータ） (2025-05-23T20:28:31Z) - A test-free semantic mistakes localization framework in Neural Code Translation [32.5036379897325]
本稿では,Large Language Model(LLM)に基づく静的解析フレームワークであるEISPを紹介する。
このフレームワークはソースコードと翻訳されたコード間の意味マッピングを生成する。
EISPは、AIチェーンを通じて、各サブコードのフラグメントをきめ細かい知識ヒントで接続する。
論文 参考訳（メタデータ） (2024-10-30T08:53:33Z) - EMMA: Efficient Visual Alignment in Multi-Modal LLMs [56.03417732498859]
EMMAは、視覚的およびテキスト的エンコーディングを効率的に融合するために設計された軽量なクロスプラットフォームモジュールである。
EMMAは複数のタスクのパフォーマンスを最大9.3%向上させ、幻覚に対する堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2024-10-02T23:00:31Z) - An Empirical Study on Capability of Large Language Models in Understanding Code Semantics [4.638578225024275]
コードのための大規模言語モデル(コードLLM)は、様々なソフトウェア工学(SE)タスクで顕著なパフォーマンスを示している。
本稿では,コード意味論の理解におけるLLMの能力を評価するためのフレームワークであるEMPICAを紹介する。
論文 参考訳（メタデータ） (2024-07-04T03:40:58Z) - M2CVD: Enhancing Vulnerability Semantic through Multi-Model Collaboration for Code Vulnerability Detection [52.4455893010468]
大規模言語モデル(LLM)は、コード理解において強力な能力を持つが、微調整コストとセマンティックアライメントの問題により、プロジェクト固有の最適化が制限される。
CodeBERTのようなコードモデルは微調整が容易であるが、複雑なコード言語から脆弱性のセマンティクスを学ぶことはしばしば困難である。
本稿では,M2CVD(Multi-Model Collaborative Vulnerability Detection)手法を提案する。
論文 参考訳（メタデータ） (2024-06-10T00:05:49Z)
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。