論文の概要: ConcernBERT: Learning Responsibilities Using Class Membership

• arxiv url: http://arxiv.org/abs/2606.21647v1
• Date: Fri, 19 Jun 2026 17:58:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 04:19:20.53104
• Title: ConcernBERT: Learning Responsibilities Using Class Membership
• Title（参考訳）: ConcernBERT: クラスメンバーシップによる学習責任
• Authors: J. Lefever, J. Xu, Y. Cai, R. Kazman, E. Pisch,
• Abstract要約: ソフトウェア設計では、関心事の分離、高い凝集度、単一責任がよく知られています。 多くのソフトウェアタスクは、プログラムエンティティの凝集性グループを特定する技術に依存している。 本稿では,エンティティレベルでトレーニングされたBERTベースの埋め込みモデルであるAccessBERTを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The principles of separation of concerns, high cohesion, and single responsibility are among the most well-known in software design. However, their application often remains philosophical rather than actionable, relying heavily on developers' intuition and experience. Many software tasks, such as god class decomposition, extract class refactoring, and cohesion measurement, depend on techniques for identifying cohesive groups of program entities, that is, entities that collectively fulfill a common responsibility. Yet reliably identifying such groups remains a challenge. In this paper, we propose ConcernBERT, a BERT-based embedding model trained at the entity level that uses triplet loss to directly optimize the relative positioning of methods and attributes in the embedding space, and uses class-membership context to learn responsibilities and concerns. We also contribute a large-scale replication dataset for training and evaluation. Our dataset spans over two million Java files across more than six thousand repositories. To evaluate ConcernBERT, we merge methods from two or more classes into unlabeled groups and test the model's ability to recover the original class memberships. ConcernBERT achieves significantly higher performance than existing models, demonstrating its effectiveness at encoding concern-level semantics and establishing a strong foundation for downstream tasks such as architecture recovery, extract class refactoring, and cohesion measurement.
• Abstract（参考訳）: 関心の分離、高い結束、単一責任の原則は、ソフトウェア設計において最もよく知られている。 しかしながら、彼らのアプリケーションは動作可能というよりも哲学的であり、開発者の直感や経験に大きく依存することが多い。 神クラス分解、クラスリファクタリング、凝集度測定などの多くのソフトウェアタスクは、プログラムエンティティの凝集的なグループを特定する技術、すなわち、共通の責任を集団的に果たすエンティティに依存している。 しかし、そのようなグループを確実に特定することは依然として課題である。 本稿では,BERT ベースの埋め込みモデルである ConcernBERT を提案する。これは三重項損失を利用して,埋め込み空間におけるメソッドや属性の相対的位置付けを直接最適化し,クラスメンバーシップコンテキストを用いて責務や関心事の学習を行う。 トレーニングと評価のための大規模なレプリケーションデータセットも提供しています。 私たちのデータセットは、600万以上のリポジトリに200万以上のJavaファイルにまたがっています。 ConcernBERTを評価するために、2つ以上のクラスからラベルのないグループにメソッドをマージし、元のクラスメンバーシップを復元するモデルの能力をテストする。 ConcernBERTは、既存のモデルよりも大幅に高いパフォーマンスを実現し、関心レベルのセマンティクスをエンコードし、アーキテクチャ回復、クラスリファクタリングの抽出、凝集度測定といった下流タスクの強力な基盤を確立する効果を示す。

関連論文リスト

• The Unlearning Mirage: A Dynamic Framework for Evaluating LLM Unlearning [54.67958855362658]
  複雑な構造化クエリを用いたアンラーニングテストを強調する動的フレームワークを提案する。 提案手法はまず,対象モデル(事前学習)から知識を抽出し,単純なクエリからマルチホップチェーンまで,対象プローブを構築する。 本フレームワークは,テストセットを手作業で構築することなく,非学習手法の実用的でスケーラブルな評価を可能にする。
  論文  参考訳（メタデータ） (2026-03-11T19:51:33Z)
• Do Not Treat Code as Natural Language: Implications for Repository-Level Code Generation and Beyond [13.550121154853715]
  自然言語ではなく構造化コードとしてコードを扱う,リポジトリレベルのコード生成フレームワークであるHydraを紹介します。 我々はHydraがオープンソースおよびクローズドソースのCodeLLMにまたがって最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2026-02-12T07:44:00Z)
• GroupRank: A Groupwise Reranking Paradigm Driven by Reinforcement Learning [26.616849067985967]
  Groupwiseは、大規模な言語モデルのための新しいパラダイムである。 高品質な検索とランキングデータのための革新的なパイプラインを提案する。 得られたデータは、リランカのトレーニングだけでなく、レトリバーのトレーニングにも利用することができる。
  論文  参考訳（メタデータ） (2025-11-10T15:25:31Z)
• BLUR: A Bi-Level Optimization Approach for LLM Unlearning [100.90394814817965]
  未学習問題の階層構造をモデル化することが重要であると論じる。 本稿では,より優れた性能を実現する新しいアルゴリズムであるBi-Level UnleaRning(textttBLUR)を提案する。
  論文  参考訳（メタデータ） (2025-06-09T19:23:05Z)
• Structured Agent Distillation for Large Language Model [56.38279355868093]
  本研究では,LLMをベースとした大規模エージェントを小さな学生モデルに圧縮するフレームワークであるStructured Agent Distillationを提案する。 提案手法は, [REASON] と [ACT] にトラジェクトリを分割し, 各コンポーネントを教師の行動に合わせるためにセグメント特異的な損失を適用した。 ALFWorld、HotPotQA-ReAct、WebShopの実験は、我々のアプローチがトークンレベルと模倣学習のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-20T02:01:55Z)
• Class-Level Code Generation from Natural Language Using Iterative, Tool-Enhanced Reasoning over Repository [4.767858874370881]
  実世界のリポジトリ内でクラスレベルのコードを生成する際に,LLMを厳格に評価するためのベンチマークであるRepoClassBenchを紹介する。 RepoClassBenchには、リポジトリの選択からJava、Python、C#にまたがる"Natural Language to Class Generation"タスクが含まれている。 Retrieve-Repotools-Reflect (RRR)は,レポジトリレベルのコンテキストを反復的にナビゲートし,推論する静的解析ツールを備えた新しいアプローチである。
  論文  参考訳（メタデータ） (2024-04-22T03:52:54Z)
• Scalable Federated Unlearning via Isolated and Coded Sharding [76.12847512410767]
  フェデレートされたアンラーニングは、クライアントレベルのデータエフェクトを削除するための有望なパラダイムとして登場した。 本稿では,分散シャーディングと符号化コンピューティングに基づく,スケーラブルなフェデレーション・アンラーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T08:41:45Z)
• 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。