論文の概要: Semantic-aware and Self-improving Program Reduction via Agentic Large Language Models

• arxiv url: http://arxiv.org/abs/2607.03766v1
• Date: Sat, 04 Jul 2026 08:36:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.711261
• Title: Semantic-aware and Self-improving Program Reduction via Agentic Large Language Models
• Title（参考訳）: エージェント型大規模言語モデルによる意味認識と自己改善プログラムの削減
• Abstract要約: エージェント型大規模言語モデル(LLM)を用いた自律推論タスクとして,プログラムの縮小を再放送する新しい手法を提案する。 提案手法は,意味認識を行うリデューサエージェント,ケース固有プログラムリダクションを行うリフレクタエージェント,転送可能なリデューサ知識を抽出し蓄積するリフレクタエージェントという,2つの協調的なコンポーネントを中心に構築されたフレームワークである。
• 参考スコア（独自算出の注目度）: 5.1805580173652706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reducing bug-triggering programs to their minimal essential form is a fundamental task in debugging language processors such as compilers and interpreters. Existing reduction techniques are limited by their reliance on predefined, syntax-driven transformations that lack semantic understanding of the target program, and by their inability to learn from past reduction experiences. We present a new approach that recasts program reduction as an autonomous reasoning task powered by agentic Large Language Models (LLMs). Instead of applying fixed transformation rules, our method enables an LLM to analyze program semantics, formulate reduction hypotheses, and iteratively refine its approach based on execution outcomes. Successful reduction experiences are further distilled into reusable strategies, allowing the system to continuously improve over time. We realize this approach in PROJ, a framework built around two collaborative components: a reducer agent that performs semantic-aware, case-specific program reduction, and a reflector agent that extracts and accumulates transferable reduction knowledge. Extensive experiments on 90 benchmarks spanning three programming languages show that PROJ consistently produces smaller reduced programs than all existing state-of-the-art reducers while maintaining high efficiency.
• Abstract（参考訳）: バグトリガプログラムを最小限の必須形式に減らすことは、コンパイラやインタプリタなどの言語プロセッサをデバッグする上での基本的なタスクである。 既存のリダクションテクニックは、対象プログラムの意味的理解に欠ける事前定義された構文駆動型変換と、過去のリダクション体験から学ぶことができないことによる制限がある。 本稿では,エージェント型大規模言語モデル(LLM)を利用した自律推論タスクとして,プログラムの縮小を再放送する手法を提案する。 固定変換規則を適用する代わりに、LLMはプログラムのセマンティクスを分析し、還元仮説を定式化し、実行結果に基づいてそのアプローチを反復的に洗練することができる。 良好な還元経験は再利用可能な戦略にさらに蒸留され、システムは時間の経過とともに継続的に改善される。 提案手法は,意味認識を行うリデューサエージェント,ケース固有プログラムリダクションを行うリフレクタエージェント,転送可能なリデューサ知識を抽出し蓄積するリフレクタエージェントという,2つの協調的なコンポーネントを中心に構築されたフレームワークである。 3つのプログラミング言語にまたがる90のベンチマークの大規模な実験により、PROJは高い効率を維持しながら、既存のすべての最先端リデューサよりも、一貫して小さな縮小プログラムを生産していることが示された。

関連論文リスト

• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors [52.619793817715326]
  本稿では,LLM生成したPythonエラーメッセージを,多段階のクラウドソースで評価する。 LLMで書き直されたメッセージは主観評価を著しく向上させたが、これらの評価結果は客観的デバッグ性能の統計的に有意な改善には至らなかった。 これは重要なヒューマンとAIの相補性ギャップを浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-08-21T09:14:28Z)
• Procedural Refinement by LLM-driven Algorithmic Debugging for ARC-AGI-2 [10.013415375696557]
  本稿では,Abduction-based Procedural Refinement (ABPR) という,ニューロシンボリックな手続き的洗練手法を提案する。 ABPRは、プログラムの実行をコンパクトで宣言的な木構造トレースに変換するメタインタプリタとLLMを結合する。 ABPRがGemini-3-Flashと組み合わせてPass@2のスコアが56.67%であることは,現代LLMが典型的に性能が劣る言語においても明らかである。
  論文  参考訳（メタデータ） (2026-03-20T08:16:15Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• Grammar-Guided Evolutionary Search for Discrete Prompt Optimisation [63.97051732013936]
  本稿では,2段階からなる離散的な自動最適化に対する進化的探索手法を提案する。 第1段階では、文法誘導型遺伝的プログラミングが実行され、プロンプト生成プログラムを合成する。 第2段階では、局所探索を用いて、最高のパフォーマンスプログラムの周辺を探索する。
  論文  参考訳（メタデータ） (2025-07-14T14:34:15Z)
• RePair: Automated Program Repair with Process-based Feedback [28.017321930042694]
  本稿では,プロセスの監督とフィードバックによって,小規模言語モデル(LM)が優れたパフォーマンスを実現する方法を示す。 我々は、批評家として機能する報酬モデルを開発し、微調整されたLMの行動に対するフィードバックを提供する。 その結果, プロセスベースでは, より大きな結果に基づく生成方法よりも, クローズドソースの大規模LMの性能にほぼ匹敵する結果が得られた。
  論文  参考訳（メタデータ） (2024-08-21T02:53:23Z)
• Peer-aided Repairer: Empowering Large Language Models to Repair Advanced Student Assignments [26.236420215606238]
  我々は,大規模言語モデルを利用したPaRというフレームワークを開発した。 PaRは、ピアソリューション選択、マルチソースプロンプト生成、プログラム修復の3段階で動作する。 Defects4DSと他のよく検証されたTHEPデータセットの評価は、PaRが新しい最先端のパフォーマンスを達成することを明らかにしている。
  論文  参考訳（メタデータ） (2024-04-02T09:12:21Z)
• Moving beyond Deletions: Program Simplification via Diverse Program Transformations [11.038120567076772]
  開発者は手動でプログラムを単純化する(この論文では開発者によるプログラムの単純化として知られている)。 手作業の労力を減らすために、ルールベースのアプローチ(例えば、削除に基づくアプローチ)は、開発者によるプログラムの単純化を自動化するために潜在的に適用できる。 単純化されたプログラムを自動生成するツールであるSimpT5を提案する。 評価の結果,SimpT5は開発者によるプログラムの単純化の自動化において,従来の手法よりも効果的であることが示唆された。
  論文  参考訳（メタデータ） (2024-01-26T22:59:43Z)
• CodeRL: Mastering Code Generation through Pretrained Models and Deep Reinforcement Learning [92.36705236706678]
  CodeRLは、事前訓練されたLMと深層強化学習によるプログラム合成タスクのための新しいフレームワークである。 推論中、我々は重要なサンプリング戦略を持つ新しい生成手順を導入する。 モデルバックボーンについては,CodeT5のエンコーダデコーダアーキテクチャを拡張し,学習目標を拡張した。
  論文  参考訳（メタデータ） (2022-07-05T02:42:15Z)
• Procedures as Programs: Hierarchical Control of Situated Agents through Natural Language [81.73820295186727]
  エージェント命令と制御のための階層的な手続き的知識を表現する強力な手法である,プログラムとしての手続きの形式化を提案する。 NL命令に対するIQAおよびALFREDデータセット上で、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2021-09-16T20:36:21Z)
• Learning from Executions for Semantic Parsing [86.94309120789396]
  注釈付きデータの限られた量が利用できる半教師付き学習の課題に焦点をあてる。 ラベルなし発話に対する実行可能プログラムを提案する。
  論文  参考訳（メタデータ） (2021-04-12T21:07:53Z)
• Incremental maintenance of overgrounded logic programs with tailored simplifications [0.966840768820136]
  単調に成長する命題プログラムを生成するための新しい戦略を導入する。 従来の手法では、カスタマイズされた単純化技術により、インスタンス化されたプログラムのサイズが小さくなる。
  論文  参考訳（メタデータ） (2020-08-06T21:50:11Z)

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。