論文の概要: Was It Never Collected, or Rewritten Away? A Commit-Provenance Dataset Separating Ingestion Gaps from Upstream History Edits across the World of Code
- arxiv url: http://arxiv.org/abs/2607.02774v1
- Date: Thu, 02 Jul 2026 21:12:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 13:26:30.060098
- Title: Was It Never Collected, or Rewritten Away? A Commit-Provenance Dataset Separating Ingestion Gaps from Upstream History Edits across the World of Code
- Title（参考訳）: 一度も収集しなかったのか、それとも書き直したのか? コードの世界に散在するアップストリーム履歴編集から摂取ギャップを分離するコミット・プロヴァンス・データセット
- Abstract要約: 私たちは、欠落したコミットを大規模に分離するコミット改善データセットをリリースします。
1,118,116,350件以上のコミットがあり、53.35%がWoC(World of Code)に登録されている。
15分の1の欠落したコミットケースは、ミラーギャップではなく、プロジェクトを削除した書き直しである。
- 参考スコア（独自算出の注目度）: 2.788646205877688
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Any global mirror of open-source version control is incomplete, but the reasons a commit is missing are not interchangeable: a project may have force-pushed it away (so it no longer exists upstream), or the mirror may never have ingested it (a true collection gap). We release a commit-provenance dataset that separates these cases at scale by comparing two views of the same commit graph: the GHArchive event stream, a historical witness of what GitHub advertised at push time, and the World of Code (WoC) V2604 object database, an accumulated union of periodic fetches that never deletes a collected commit. Walking each reference's PushEvent chain reconstructs force-pushes structurally (a before that is not the prior head breaks the fast-forward chain; no recorded flag exists across eras), and joining every advertised commit against WoC membership yields a three-way label. Over 1,118,116,350 advertised commits, 53.35% are present in WoC, 6.47% are rewritten (orphaned by a later force-push, an upstream edit and a correct absence), and 40.18% are never-ingested (the candidate collection gap). About one missing-commit case in fifteen is a rewrite the project erased, not a mirror gap. We release the force-push witness (166,710,831 events over 19,926,250 repositories) and a per-project rollup (78,125,788 repositories; force-pushing observed in 25.47%, a rewritten commit in 12.85%). We treat the 40% never-ingested share as an upper bound on the collection gap and state five reasons it overcounts. The dataset makes mirror-completeness reporting honest, flags rewritten commits as duplicate patch sources for contribution counting, and corrects a 10.82% corpus-wide undercount that history editing imposes on commit-based productivity, with a released per-project correction factor. All artifacts ship as a self-contained, independently hosted replication package keyed to WoC V2604.
- Abstract（参考訳）: オープンソースプロジェクトのバージョン管理のグローバルミラーは不完全だが、コミットが欠落している理由は互換性がない。
GHArchiveイベントストリーム、GitHubがプッシュ時に宣伝したものの歴史的な目撃者、V2604オブジェクトデータベース、収集されたコミットを決して削除しない定期的なフェッチの集合体である。
それぞれの参照のPushEventチェーンのウォーキングは、構造的にフォースプーッシュを再構築する(前回のヘッドは、ファストフォワードチェーンを破るものではなく、時代によって記録されたフラグは存在しない)。
1,118,116,350以上の広告付きコミット、53.35%がWoCに存在し、6.47%が書き換えられ(後続の強制プッシュ、アップストリームの編集、そして正しい欠席)、40.18%は決して興味を示さない(コレクションギャップ候補)。
15分の1の欠落したコミットケースは、ミラーギャップではなく、プロジェクトを削除した書き直しである。
我々は、フォースプッシュの目撃者(166,710,831件、19,926,250件)とプロジェクトごとのロールアップ(78,125,788件、25.47%、12.85%)を解放した。
40%の好ましくないシェアを、コレクションのギャップと、それが過大評価する5つの理由の上限として扱います。
データセットはミラー完全性を正直に報告し、コミットをコントリビューションカウント用の重複パッチソースとして書き直し、履歴編集がコミットベースの生産性に課すコーパス全体の10.82%のアンダーカウントを修正し、プロジェクト毎の修正ファクターをリリースしている。
全てのアーティファクトは、WoC V2604にキーされた、自己完結した、独立にホストされた複製パッケージとして出荷される。
関連論文リスト
- VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。
それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。
我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
論文 参考訳（メタデータ） (2026-09-02T20:36:45Z) - SkillGLoW: Procedural-Family Skill Consolidation for Self-Improving Agents on Long-Horizon Task Streams [55.90739575113059]
再利用の欠如は、関連するタスクのクラスタによって共有される解決手順であり、その周りでSkillGLoWを構築している、と我々は主張する。
4つのベンチマーク(数学的推論、端末の自動化、ソフトウェア修復、実施制御)と3つのモデルで、前者は平均17.2ポイント(ハード)を獲得している。
論文 参考訳（メタデータ） (2026-09-02T07:31:18Z) - RosettaBitcoin: An Artifact-Backed Experience Report on Verification Infrastructure for Agent-Assisted Consensus Validators [0.0]
この体験レポートは、12の個別に実装されたBitcoin testnet4コンセンサスバリデータを構築した、単一開発者プロジェクトであるRosettaBitcoinを調査している。
スナップショットの追跡されたエビデンスデータベース、キュレートされたアーティファクトインデックス、標準適合フィクスチャ、検証スクリプト、ブロッカレコード、バージョン履歴を分析します。
このケースは、明示的な障害記録、フィクスチャ、ポート所有、バリデーションがエージェントアシストシステムをより監査可能にすることを示唆している。
論文 参考訳（メタデータ） (2026-09-01T17:22:07Z) - From Traceability to Justifiability: Accountability Structures in Agentic Software Engineering [0.0]
公開資料のみから、AIレコードがクレームを表現できるかどうか、宣言された場所を保持できるかどうかを測定する。
188個の二重グレード細胞で、デフォルトレコードが行動システムのコンテンツアイデンティティを出力するプラットフォームは見つからなかった。
計器は、パイプラインが発行した排気のみからの保証深度を計算し、宣言された深さと比較する。
論文 参考訳（メタデータ） (2026-08-21T16:45:00Z) - Turning Interaction History into Execution State: A Runtime Layer for Long-Horizon Coding Agents [48.967927222079965]
Ledgerは、エージェントの完了したインタラクションを明示的な実行状態に蒸留するランタイム層である。
Ledgerはこの状態をオンライン実行台帳に保持し、各ステップの2つのバウンダリに適用される。
500のSWE-bench検証インスタンス全体で、LedgerはPass@1を56.2%から64.2%に、GPT-5 miniを75.8%から81.0%に、MiniMax M2.5を81.0%に引き上げている。
論文 参考訳（メタデータ） (2026-08-01T18:25:00Z) - Why Git Is the Memory Solution for the Agentic Development Lifecycle [0.0]
私たちは、メモリはgitバウンドで、リポジトリのバージョン管理に組み込まれるべきであると考えています。
この台帳では、2つの問題を別々に解決し、それらを組み合わせます。
ルータは、git-anchored構造図に幅を広げ、信頼されたエピソードにルックアップを向け、意思決定の合理化を行う。
論文 参考訳（メタデータ） (2026-07-15T22:06:59Z) - Scaling Author Identity Disambiguation to the World of Code: A Methodology [2.788646205877688]
本稿では,WoC (World of Code) コレクション(バージョン V2604, バージョン V2604, 6B コミット上の 107M の異なる著者文字列)を標準人物にエイリアスするための方法論について述べる。
このスケールでは、中心的な問題はマージの過大さであり、マージの欠落ではない。
デプロイされた設計の背後にある完全な実験記録(失敗を含む20以上の実験を含む)を報告する。
論文 参考訳（メタデータ） (2026-07-08T02:30:26Z) - Deforking the World of Code: A Project-Provenance Map that Recovers Cross-Forge Fork Families that Platform Graphs Cannot See [2.788646205877688]
We release a curated deforking map for the World of Code (WoC) version V2604: p2PFull。
すべての生のレポジトリ p を、その属する除かれたプロジェクト P に分解する。
GH ForkEventsから再構築されたGitHubの宣言されたフォークグラフに対するマップを検証する。
論文 参考訳（メタデータ） (2026-06-28T18:25:17Z) - SCDBench: A Benchmark for LLM-Based Smart Contract Decompilers [55.39407031861402]
本稿では,スマートコントラクトデコンパイルのためのデータセットとベンチマーク手法であるSCDBenchを紹介する。
データセットには600の現実のSolidityコントラクトと、ペア化されたバイトコード入力、地味なソースコード、再生可能なセマンティックチェックポイントが含まれている。
我々は,GLM-5の変種を含むゼロショット逆コンパイル設定において,Claude Opus 4.7,GPT-5.3-Codex,GLM-5を評価した。
論文 参考訳（メタデータ） (2026-05-27T20:08:47Z) - CommitDistill: A Lightweight Knowledge-Centric Memory Layer for Software Repositories [0.5872014229110213]
ソフトウェアは、コミットメッセージ、プルリクエストの議論、スレッド発行に大量の構造化されていない知識を蓄積します。
エージェントのタイプメモリアーキテクチャ(MemGPT、生成エージェント、YangらのPlugMemモジュール)に関する最近の研究は、エージェントメモリは生の対話テキストではなく、蒸留された型付き知識であるべきだと主張している。
私たちは、決定論的、依存性なし、ローカルのみ、埋め込みなしという制約のある体制の下で、ソフトウェアリポジトリ自身のgit履歴にそのスタンスを適用します。
論文 参考訳（メタデータ） (2026-05-18T12:14:28Z) - An Extensive Replication Study of the ABLoTS Approach for Bug Localization [47.89260192608388]
ABLoTSは、バグの多いソースコードスニペットを将来性のある結果で識別するためのIRBLアプローチである。
このアプローチの再現性について、元のデータセットと2つの拡張データセットを用いて検討する。
ABLoTSのコアであるTraceScoreコンポーネントは、拡張データセットで同等あるいはそれ以上の結果を生成する。
論文 参考訳（メタデータ） (2026-05-12T08:54:13Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - WiCER: Wiki-memory Compile, Evaluate, Refine Iterative Knowledge Compilation for LLM Wiki Systems [0.0]
我々は17のRepLiQAドメイン間のコンパイルギャップを特徴付ける(6,800の質問)。
本稿では,このギャップを埋める反例誘導抽象化改良(CEGAR)にインスパイアされた反復アルゴリズムであるWiCERを提案する。
全17項目のアブレーションにより、汎用ピンニング(+0.16)ではなく、ターゲット診断(+0.95)がゲインを駆動していることが確認された。
論文 参考訳（メタデータ） (2026-05-08T00:25:16Z) - RepoDoc: A Knowledge Graph-Based Framework to Automatic Documentation Generation and Incremental Updates [41.56228301287882]
本稿では,レポジトリ知識グラフ(RepoKG)をドキュメントライフサイクル全体の意味基盤として利用するシステムであるRepoDocを提案する。
インクリメンタルアップデートでは、更新時間を73%削減し、トークン使用量を77%削減し、10.2%高めの更新リコールを実現している。
8つの言語にわたる24のリポジトリで評価されたRepoDocは、最先端の代替よりも大幅に優れています。
論文 参考訳（メタデータ） (2026-04-29T10:43:02Z) - Analysis of Commit Signing on Github [2.1045887299238855]
私たちは71,694人のアクティブなGitHubユーザを調査し、少なくとも1つのコミットを作成したアカウントとして定義しました。
6%以上の開発者が自身でコミットにサインしたことはなく、明らかな署名者の大多数は、Webブラウザ外でサインインしたことがない。
署名キーはGitHubにアップロードされないため、8人に1人が開発者管理シグネチャの検証に失敗している。
論文 参考訳（メタデータ） (2026-04-15T15:57:07Z) - His2Trans: A Skeleton First Framework for Self Evolving C to Rust Translation with Historical Retrieval [45.246293154277886]
His2Transは、決定論的でビルド対応のスケルトンと自己進化的な知識抽出を組み合わせて、安定したインクリメンタルマイグレーションをサポートするフレームワークである。
産業用OpenHarmonyモジュールの実験では、His2Transが99.75%インクリメンタルコンパイルパスレートに達した。
論文 参考訳（メタデータ） (2026-03-03T05:42:08Z) - From Commit Message Generation to History-Aware Commit Message
Completion [49.175498083165884]
コミットメッセージ生成からコミットメッセージ補完に焦点を移すことができれば、結果のコミットメッセージの品質と個人的な性質を大幅に改善できる、と私たちは論じています。
既存のデータセットには履歴データがないため、20のプログラミング言語で107万のコミットを含むCommitChronicleと呼ばれる新しいデータセットを収集、共有しています。
以上の結果から,コミットメッセージ補完は生成よりも優れた結果を示し,一般的にはGPT-3.5-turboはより悪い性能を示すが,長大かつ詳細なメッセージの可能性を示唆している。
論文 参考訳（メタデータ） (2023-08-15T09:10:49Z)
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。