論文の概要: Loc2Repair: A Framework for Evaluating the Impact of File-Level Issue Localization in Repo-Level LLM Repair
- arxiv url: http://arxiv.org/abs/2606.30963v1
- Date: Mon, 29 Jun 2026 22:44:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.012771
- Title: Loc2Repair: A Framework for Evaluating the Impact of File-Level Issue Localization in Repo-Level LLM Repair
- Title（参考訳）: Loc2Repair:Repo-Level LLM修復におけるファイルレベル問題ローカライゼーションの影響評価フレームワーク
- Abstract要約: Loc2Repairはリポジトリ地上の修復パイプラインを制御可能なフレームワークである。
共有アーティファクトランタイムスキーマの下で、ローカライゼーションとリカバリを分離する。
明示的なローカライゼーションは、すべてのバックボーン間の解決率を一貫して改善する。
- 参考スコア（独自算出の注目度）: 0.2715382584771446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Repository-grounded automated repair is often reported as a single end-to-end capability, which hides distinct failure modes such as poor file targeting, incorrect patch synthesis, and failed iterative debugging. We present Loc2Repair, a modular evaluation framework for controlled analysis of repository-grounded repair pipelines, and use it to isolate file-level issue localization as an upstream variable. Loc2Repair decouples localization and repair under a shared runtime, artifact schema, and evaluation harness, allowing researchers to combine different localization models and repair backbones under matched conditions. Using three repair backbones on SWE-bench Verified, we compare baseline repair without explicit localization, repair guided by predicted localization from two localizers, and repair guided by gold modified-file sets. Explicit localization consistently improves resolved rate across all backbones: pooled performance increases from 44.7% for baseline repair to 48.9% and 49.1% with predicted localization, and to 52.4% with gold localization. Localization also reduces mean elapsed time overall: in pooled paired analysis, mean elapsed time decreases by 100.94 s and 52.25 s for the two predicted-localization settings, and by 154.45 s with gold guidance, although token effects remain heterogeneous across models. Overall, Loc2Repair shows file-level localization is a consistent repair lever, improving effectiveness and mean latency in pooled analysis, while gold-guided failures expose headroom beyond localization.
- Abstract（参考訳）: リポジトリを基底とした自動修復は、ファイルターゲティングの貧弱さ、不正確なパッチ合成、繰り返しデバッグの失敗など、個別の障害モードを隠蔽する単一のエンドツーエンド機能として報告されることが多い。
本稿では,レポジトリの修復パイプラインの解析をモジュール化した評価フレームワークであるLoc2Repairを紹介し,ファイルレベルのイシューローカライゼーションを上流変数として分離する。
Loc2Repairは、共有ランタイム、アーティファクトスキーマ、評価ハーネスの下でローカライゼーションとリカバリを分離し、研究者は異なるローカライゼーションモデルを組み合わせて、マッチした条件下でバックボーンを修復することができる。
SWE-bench Verifiedの3つの補修バックボーンを用いて、明示的な局所化のないベースライン修復と、2つのローカライザからの予測ローカライザによる補修と、ゴールド修正ファイルセットによる補修を比較した。
プールされた性能は、ベースラインの修理で44.7%、予測されたローカライゼーションで48.9%、49.1%、金のローカライゼーションで52.4%に向上した。
プール化されたペア解析では、2つの予測された局所化設定で平均経過時間が100.94秒、52.25秒減少し、金のガイダンスで154.45秒減少するが、トークン効果はモデル間で不均一である。
全体として、Loc2Repairはファイルレベルのローカライゼーションが一貫したリカバリレバーであることを示し、プール分析の有効性と平均遅延を改善し、ゴールド誘導の障害はローカライゼーションを超えてヘッドルームを公開する。
関連論文リスト
- Independent Patch Verification for Coding Agents with a Bidirectional Reconstruct-and-Verify Framework [49.16055123488827]
大規模言語モデルを利用したコーディングエージェントは、バグレポートから直接コードパッチを生成することができる。
報告された問題を真に解決するかどうかを独立に検証するメカニズムは存在しない。
本稿では,RETRACE をトレーニング不要なポストジェネレーション検証フレームワークとして提案する。
論文 参考訳（メタデータ） (2026-08-09T22:59:13Z) - Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration [72.64498743287601]
オールインワン画像復元は、多様で空間的に一様でない腐敗によって劣化した画像を復元できる単一のモデルを求める。
パイプライン全体にわたる劣化認識をモデル化するフレキシブル・イメージ・トランスフォーマー(FIT)を提案する。
FITは、30.72dBの平均PSNRを5次劣化設定で32.83dBを3次劣化設定で達成し、最近の統一修復法を+0.5$sim$1.1dBで上回った。
論文 参考訳（メタデータ） (2026-08-07T05:44:31Z) - PhoenixRepair: Rethinking Repair Strategy Exploration in Software Agents [62.36339598951133]
PhoenixRepairは、複数の候補編集場所を探索し、より良いパッチを生成するマルチエージェントフレームワークである。
PhoenixRepairはDeepSeek-V3.1の下でSWE-agentよりも7.8%の最大の相対的改善を実現し、MiniMax-M2.5で76.0%のPass@1の最高分解率を達成した。
論文 参考訳（メタデータ） (2026-07-21T08:49:30Z) - One Rewrite to Fix Them All? Type-Aware Repair Allocation for Text-to-Image Prompt Optimization [59.164665622252016]
テキスト・トゥ・イメージ(T2I)ジェネレータは、間違ったカウント、スワップされた属性、あいまいな関係、不可解なテキストを生成し、そのプロンプトに忠実に従わないことが多い。
Prompt最適化は、ユーザプロンプトを書き換えて、ジェネレータの再トレーニングを必要としないことで、このような障害を修復する。
失敗する各命題は、結果のローカル制約が1つの実行可能なプロンプトにコンパイルされる前に、タイプ条件の修復演算子にルーティングされる。
論文 参考訳（メタデータ） (2026-07-21T05:31:43Z) - DepRepair: LLM-Based Source-Code Repair for Dependency Breaking Changes [26.444574129479463]
DepRepairは、3つのコンポーネントで構築された上流の証拠を修復する単一コールLLMアプローチである。
GPT-5.5で89.5%、Claude Opus 4.6で82.1%となる。
論文 参考訳（メタデータ） (2026-07-20T13:58:13Z) - ReGRPO: Reflection-Augmented Policy Optimization for Tool-Using Agents [52.531681772560724]
Supervised Fine-tuning (SFT) は主に軌道軌道上で構築されており、ツール故障後の回復のための信号はほとんど得られない。
ツール使用エージェントの反射誘導補正を学習するフレームワークであるReGRPOを紹介する。
GTAとGAIAの実験では、同じバックボーンとツールスイートの下で、ReGRPOは一貫して強力なオープンソースベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-30T09:19:38Z) - SHERLOC: Structured Diagnostic Localization for Code Repair Agents [33.35079971033214]
SHERLOCは,コンパクトなリポジトリツールと自己回復機能を備えた推論LDMをペアリングする,トレーニング不要のフレームワークである。
SWE-Bench Liteでは84.33%の精度@1、SWE-Bench Verifiedでは81.27%のリコール@1である。
論文 参考訳（メタデータ） (2026-06-23T17:05:50Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization [50.722636027998]
大規模言語モデル (LLM) はプログラム修復性能が高いが、しばしば過剰な編集に悩まされる。
オーバー編集を軽減し,修復精度を向上させるフレームワークであるPRepairを提案する。
論文 参考訳（メタデータ） (2026-04-07T14:56:38Z) - A Study on the Impact of Fault localization Granularity for Repository-Scale Code Repair Tasks [0.1957338076370071]
リポジトリスケールのシナリオにおいて,障害のローカライゼーションが自動コード修復に与える影響について検討する。
本稿では,エージェントレスフレームワークのローカライズフェーズを変更することで,そのようなテストを実行するフレームワークを提案する。
機能レベルの粒度は,ラインレベルとファイルレベルに対して高い修復率を示す。
論文 参考訳（メタデータ） (2026-03-31T19:16:43Z) - RepoRepair: Leveraging Code Documentation for Repository-Level Automated Program Repair [30.23781155493087]
RepoRepairは,レポジトリレベルの障害ローカライゼーションとプログラム修復のための新しいドキュメンテーションによるアプローチである。
私たちの中核的な洞察は、LLMを活用して、コードリポジトリの階層的なコードドキュメンテーション(関数からファイルまで)を生成することです。
RepoRepairはまず、テキストベースのLLMを使用して、リポジトリのファイル/関数レベルのコードドキュメントを生成する。
論文 参考訳（メタデータ） (2026-03-01T11:06:24Z) - Outcome-Conditioned Reasoning Distillation for Resolving Software Issues [49.16055123488827]
本稿では, 検証済みパッチを監督として, リポジトリ内問題を解決したO-CRD(Outcome-Conditioned Reasoning Distillation)フレームワークを提案する。
歴史的修正から始まり、検証結果から段階的な修理トレースを後方に再構築する。
SWE-Bench Liteでは、GPT-4oではPass@1が10.4%、DeepSeek-V3では8.6%、GPT-5では10.3%増加する。
論文 参考訳（メタデータ） (2026-01-30T18:25:39Z) - RGFL: Reasoning Guided Fault Localization for Automated Program Repair Using Large Language Models [1.9196411948992402]
本稿では,ファイルレベルのローカライゼーションと要素レベルのローカライゼーションを改善するプロジェクトレベルのFL手法を提案する。
SWE-bench Verified、Lite、JavaからPythonとJavaプロジェクトのアプローチを評価します。
論文 参考訳（メタデータ） (2026-01-25T23:41:42Z) - Enhancing Automated Program Repair via Faulty Token Localization and Quality-Aware Patch Refinement [15.978451025074962]
TokenRepairは、プログラム修復のための新しい2段階の洗練フレームワークである。
内部リフレクションを統合して、潜在的な欠陥のあるトークンをローカライズし、外部からのフィードバックで品質を意識したパッチ修正を行う。
TokenRepairは、Defects4J 1.2の88のバグとHumanEval-Javaの139のバグを正しく修正することで、最先端の修復パフォーマンスを新たに達成している。
論文 参考訳（メタデータ） (2025-11-22T10:05:26Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。
プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。
また, GPT-4o miniが74.18%と高い修理成功率を示した。
論文 参考訳（メタデータ） (2025-07-04T15:36:12Z)
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。