論文の概要: Know Before Fix: QA-Driven Repository Knowledge Acquisition for Software Issue Resolution

• arxiv url: http://arxiv.org/abs/2607.11111v1
• Date: Mon, 13 Jul 2026 05:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.340214
• Title: Know Before Fix: QA-Driven Repository Knowledge Acquisition for Software Issue Resolution
• Title（参考訳）: 修正前の知識: ソフトウェア問題解決のためのQA駆動リポジトリ知識獲得
• Abstract要約: ACQUIREは、ソフトウェアイシュー解決のためのQA駆動のフレームワークである。 ACQUIREは、修正を試みる前に開発者がよく知らないコードを最初に理解する方法を反映して、修正する前にリポジトリの知識を明示的に取得する。
• 参考スコア（独自算出の注目度）: 14.539105528943958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based coding agents have significantly advanced automated software issue resolution, yet they remain highly prone to factual errors caused by insufficient repository understanding. Recent methods attempt to mitigate this limitation through pre-repair repository exploration; however, their fix-driven strategies explore repositories without identifying the agent's knowledge gaps, often yielding imprecise context that fails to bridge the underlying understanding deficit. In this paper, we propose ACQUIRE, a QA-driven framework for software issue resolution. Mirroring how experienced developers first comprehend unfamiliar code before attempting a fix, ACQUIRE explicitly acquires repository knowledge prior to repair. The framework decouples knowledge acquisition from patch generation through two stages: in the first stage, a Questioner and an Answerer collaborate to acquire structured repository knowledge, where the Questioner poses targeted questions and the Answerer produces evidence-grounded answers through autonomous exploration; in the second stage, the Resolver leverages the resulting QA knowledge to generate informed patches. By transforming implicit knowledge gaps into explicit, factually reliable understanding, ACQUIRE accelerates knowledge-intensive repair stages and enables more accurate resolution. Experiments on SWE-bench Verified demonstrate that ACQUIRE consistently outperforms representative pre-repair methods, raising Pass@1 by up to 4.4 percentage points with modest additional cost and time.
• Abstract（参考訳）: LLMベースのコーディングエージェントは、自動化されたソフトウェアイシューの解決が著しく進んでいるが、リポジトリの理解不足によって引き起こされる事実上のエラーは、依然として高い傾向にある。 最近の手法では、更新前のリポジトリ探索を通じてこの制限を緩和しようとするが、それらの修正主導の戦略は、エージェントの知識ギャップを特定せずにリポジトリを探索し、基礎となる理解不足を補うのに失敗する不正確なコンテキストをもたらすことが多い。 本稿では,ソフトウェア問題解決のためのQA駆動型フレームワークであるACQUIREを提案する。 修正を試みる前に、経験豊富な開発者がまずよく知らないコードを理解したことを反映して、ACQUIREは修正に先立ってリポジトリの知識を明示的に取得する。 このフレームワークは、パッチ生成から2つの段階を通じて知識獲得を分離する。第1段階では、質問者とAnswererが協力して構造化されたリポジトリ知識を取得する。 暗黙の知識ギャップを明示的で事実的に信頼できる理解に変換することで、ACQUIREは知識集約的な修復ステージを加速し、より正確な解決を可能にする。 SWE-bench Verifiedの実験では、ACQUIREが代表的プレレペア法を一貫して上回り、Pass@1を最大4.4ポイント上昇させ、わずかな追加コストと時間を要した。

関連論文リスト

• SkillForge: Self-Distilling Agents for Project-Specific Issue Resolution [21.5992590228819]
  LLM(Large Language Model)ベースのエージェントは、自動ソフトウェア問題解決において顕著な熟練性を示した。 プロジェクト固有の知識がないため、特定のリポジトリの問題を解決するのに苦労することが多い。 本稿では,プロジェクト固有の知識をリポジトリ自体から積極的に取得するフレームワークであるSkillForgeを提案する。
  論文  参考訳（メタデータ） (2026-08-19T14:01:13Z)
• Knowledge-Enhanced Agentic Vulnerability Repair [20.715227299482947]
  KeaRepairは、検証済みのプログラム事実と高いレベルの脆弱性知識のパッチ生成を基盤とする、新しいエージェント的アプローチである。 55のC/C++脆弱性に対する既存のアプローチよりも大幅に優れています。 Gemini-3.1-Proと組み合わせると、KeaRepairは46個の脆弱性の修復に成功し、83.64%の修復率を達成した。
  論文  参考訳（メタデータ） (2026-07-01T11:42:25Z)
• DeepRefine: Agent-Compiled Knowledge Refinement via Reinforcement Learning [60.35032268606525]
  エージェントコンパイルされた知識ベースは、下流タスクにおいて、大きな言語モデル(LLM)エージェントに対して永続的な外部知識を提供する。 しかし、その品質は、不完全性、不完全性、浮揚性によって体系的に制限される
  論文  参考訳（メタデータ） (2026-05-11T12:48:31Z)
• Inferential Question Answering [67.54465021408724]
  新しいタスクであるInferential QAを導入します。これは、答えをサポートするパスから答えを推測するためにモデルに挑戦するものです。 そこで本研究では,7,401問と2.4M節からなるQUITデータセットを構築した。 我々は,従来のQAタスクに有効な手法が推論QAに苦しむことを示し,レトリバーは性能が低下し,リランカーは利得が制限され,微調整は不整合の改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2026-02-01T14:02:43Z)
• Multi-Agent End-to-End Vulnerability Management for Mitigating Recurring Vulnerabilities [9.2997229083124]
  従来の静的解析手法はコンテキスト依存を正確に捉えるのに苦労する。 コードの再利用と共有ロジックにより、繰り返し脆弱性が発生する。 エンド・ツー・エンドの繰り返し脆弱性管理のためのマルチエージェントフレームワークであるMAVMを提案する。
  論文  参考訳（メタデータ） (2026-01-25T09:35:05Z)
• Lingxi: Repository-Level Issue Resolution Framework Enhanced by Procedural Knowledge Guided Scaling [17.25732448913281]
  Lingxiは、歴史的問題修正データから抽出された手続き的知識を活用する問題解決フレームワークである。 我々の総合的アブレーション研究は、Lingxiの成功は手続き的知識の活用から直接来ていることを裏付けている。
  論文  参考訳（メタデータ） (2025-10-13T18:45:04Z)
• Scalable and Robust LLM Unlearning by Correcting Responses with Retrieved Exclusions [49.55618517046225]
  Webスケールのコーパスリスクを記憶し、センシティブな情報を暴露する言語モデル。 本稿では,新しいアンラーニングフレームワークであるCorrective Unlearning with Retrieved Exclusions (CURE)を提案する。 CUREは、リークのモデル出力を確認し、安全な応答に修正する。
  論文  参考訳（メタデータ） (2025-09-30T09:07:45Z)
• Enhancing repository-level software repair via repository-aware knowledge graphs [13.747293341707563]
  リポジトリレベルのソフトウェア修復は、問題記述とコードパッチの間のセマンティックギャップを埋める際の課題に直面します。 既存のアプローチは、大きな言語モデル(LLM)に依存しており、意味的曖昧さ、構造的文脈の限られた理解、推論能力の不足によって妨げられている。 本稿では,リポジトリアーティファクト(課題とプル要求)とエンティティ(ファイル,クラス,関数)を正確にリンクする新しいリポジトリ対応知識グラフ(KG)を提案する。 KGをマイニングした経路を利用する経路誘導補修機構により,説明とともに文脈情報を拡張することができる。
  論文  参考訳（メタデータ） (2025-03-27T17:21:47Z)
• Fine-Grained Knowledge Structuring and Retrieval for Visual Question Answering [12.622529359686016]
  VQA(Visual Question Answering)は、画像からの情報を活用することで、自然言語の質問に対する回答を提供することに焦点を当てている。 外部知識ベース(KB)を活用する検索拡張世代(RAG)が,将来性のあるアプローチとして出現する。 まず,マルチモーダルデータ断片からなるきめ細かい知識ユニットを紹介する。 第2に,細粒度検索をMLLMとシームレスに統合する知識単位検索拡張生成フレームワーク(KU-RAG)を提案する。
  論文  参考訳（メタデータ） (2025-02-28T11:25:38Z)
• Self-Bootstrapped Visual-Language Model for Knowledge Selection and Question Answering [11.183845003492964]
  私たちはPassage Retrieval(DPR)を使って関連する知識を取得し、モデルが質問に答える手助けをします。 DPRは自然言語空間における検索を行うが、画像情報の総合的な取得は保証されない。 本稿では、視覚言語モデルを利用して、DPRが検索した重要な知識を選択し、質問に答える新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-22T07:44:20Z)
• Merging Generated and Retrieved Knowledge for Open-Domain QA [72.42262579925911]
  COMBOは、より良いオープンドメインQAフレームワークのための互換性指向の知識の融合である。 COMBOは4つのテスト済みオープンドメインQAベンチマークのうち3つで競合ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2023-10-22T19:37:06Z)
• Decker: Double Check with Heterogeneous Knowledge for Commonsense Fact Verification [80.31112722910787]
  異種知識をブリッジ可能な常識的事実検証モデルであるDeckerを提案する。 CSQA2.0とCREAKの2つのコモンセンス事実検証ベンチマークデータセットの実験結果から,Deckerの有効性が示された。
  論文  参考訳（メタデータ） (2023-05-10T06:28:16Z)
• Incremental Knowledge Based Question Answering [52.041815783025186]
  人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。 具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。 包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
  論文  参考訳（メタデータ） (2021-01-18T09:03:38Z)

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。