論文の概要: Change Impact Recommendation for JavaScript: Lessons from History and Runtime Analysis
- arxiv url: http://arxiv.org/abs/2606.21187v1
- Date: Fri, 19 Jun 2026 07:56:23 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-06-23 11:29:48.487197
- Title: Change Impact Recommendation for JavaScript: Lessons from History and Runtime Analysis
- Title（参考訳）: Change Impact Recommendation for JavaScript: 履歴とランタイム分析からの教訓
- Authors: Sadjad Tavakoli, Saba Alimadadi,
- Abstract要約: 既存の変更影響レコメンデーションアプローチは、依存性ベースの分析とリポジトリマイニングの両方に依存している。
我々は,コチェンジパターンマイニングを用いた履歴ベースアプローチ,動的依存性ベースアプローチ,両信号を組み合わせたハイブリッドアプローチの3つの推奨手法を評価する。
本結果より, 履歴ベースと動的解析により同定された候補の重複度は低く, 検査予算の22%に過ぎなかった。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Understanding the downstream effects of code changes is essential for software maintenance, debugging, and regression testing. This task is particularly challenging for JavaScript applications, where dynamic language features such as callbacks, events, asynchronous execution, and shared mutable state make dependencies difficult to infer precisely. Existing change impact recommendation approaches rely primarily on either dependency-based analysis or repository mining. Dependency-based techniques, particularly dynamic analysis, capture runtime interactions from observed execution but may miss relationships not exercised during analysis. In contrast, history-based techniques uncover evolutionary coupling from past changes but often introduce imprecise recommendations due to noisy co-change patterns. To investigate the strengths and limitations of these approaches in JavaScript, we engineer and evaluate three recommendation techniques: a history-based approach using co-change pattern mining, a dynamic dependency-based approach, and a hybrid approach combining both signals. We implement these techniques in a unified framework, Caprese, and evaluate them on 10 open-source Node.js applications using expert-curated reference inspection sets. Our results reveal low overlap between candidates identified by history-based and dynamic analyses, with only 22% overlap at broader inspection budgets, indicating that the two approaches capture complementary impact signals. Dynamic analysis generally yields higher precision, while history-based analysis identifies additional relevant candidates missed by dependency analysis. These findings suggest that practical change impact recommendation in JavaScript benefits from combining runtime and evolutionary signals, as no single technique sufficiently captures all relevant inspection candidates.
- Abstract（参考訳）: コードの変更による下流の影響を理解することは、ソフトウェアのメンテナンス、デバッグ、回帰テストに不可欠である。
このタスクは、コールバック、イベント、非同期実行、共有ミュータブルステートといった動的言語機能によって、依存関係を正確に推測することが難しくなるJavaScriptアプリケーションでは特に難しい。
既存の変更影響レコメンデーションアプローチは、主に依存性ベースの分析またはリポジトリマイニングに依存する。
依存性ベースのテクニック、特に動的解析は、観察された実行から実行時のインタラクションをキャプチャするが、分析中に実行されない関係を見逃す可能性がある。
対照的に、歴史に基づく手法は過去の変化から進化的結合を明らかにするが、しばしばノイズの多い共変化パターンによる不正確なレコメンデーションを導入する。
JavaScriptにおけるこれらのアプローチの長所と短所を調査するために、co-changeパターンマイニングを用いた履歴ベースのアプローチ、動的依存性ベースのアプローチ、両方の信号を組み合わせたハイブリッドアプローチの3つの推奨手法を設計し、評価した。
我々はこれらのテクニックを統一されたフレームワークであるCapreseで実装し、専門家による参照インスペクションセットを使用して10のオープンソースNode.jsアプリケーション上で評価する。
その結果, 履歴ベースと動的解析により同定された候補間の重なりが低く, 検査予算では22%の重なりがみられ, 相補的な影響信号が得られた。
動的解析は一般的に高い精度をもたらすが、履歴に基づく解析は依存分析によって欠落した追加の関連する候補を特定する。
これらの結果から,JavaScriptの実践的な変更推奨は,実行時と進化的信号の組み合わせによるメリットを示唆している。
関連論文リスト
- Turning Semantics into Topology: LLM-Driven Attribute Augmentation for Collaborative Filtering [27.20519975467197]
Topology-Augmented Graph Collaborative Filtering (TAGCF)は、意味的知識をトポロジ接続に変換する新しいフレームワークである。
この拡張構造における異種関係を効果的にモデル化するために、適応的関係重み付きグラフ畳み込みを提案する。
論文 参考訳（メタデータ） (2026-02-24T17:01:47Z) - Learning Robust Penetration-Testing Policies under Partial Observability: A systematic evaluation [0.28675177318965045]
セキュリティ脆弱性を特定するためのサイバー攻撃のシミュレーションである侵入テストは、シーケンシャルな意思決定の問題を提示している。
部分可観測性はマルコフ決定過程に存在するマルコフ特性を無効にする。
実世界の複雑性をよりよく反映することを目的として,異なる大きさのホストネットワーク上での部分的に観測可能な浸透試験シナリオについて検討した。
論文 参考訳（メタデータ） (2025-09-24T11:27:54Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。
動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。
提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
論文 参考訳（メタデータ） (2024-08-30T15:39:34Z) - READ: Improving Relation Extraction from an ADversarial Perspective [33.44949503459933]
関係抽出(RE)に特化して設計された対角的学習法を提案する。
提案手法では,シーケンスレベルの摂動とトークンレベルの摂動の両方をサンプルに導入し,個別の摂動語彙を用いてエンティティとコンテキストの摂動の探索を改善する。
論文 参考訳（メタデータ） (2024-04-02T16:42:44Z) - Towards Better Dynamic Graph Learning: New Architecture and Unified
Library [29.625205125350313]
DyGFormerは、動的グラフ学習のためのTransformerベースのアーキテクチャである。
DyGLibは、標準のトレーニングパイプラインとコーディングインターフェースを備えた統一ライブラリである。
論文 参考訳（メタデータ） (2023-03-23T05:27:32Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳（メタデータ） (2021-09-07T04:28:09Z) - Comparative Code Structure Analysis using Deep Learning for Performance
Prediction [18.226950022938954]
本稿では,アプリケーションの静的情報(抽象構文木やASTなど)を用いてコード構造の変化に基づいて性能変化を予測することの実現可能性を評価することを目的とする。
組込み学習手法の評価により,木系長短メモリ(LSTM)モデルでは,ソースコードの階層構造を利用して遅延表現を発見し,最大84%(個人的問題)と73%(複数の問題を含む組み合わせデータセット)の精度で性能変化を予測できることが示された。
論文 参考訳（メタデータ） (2021-02-12T16:59:12Z)
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。