論文の概要: ThinkLog: Leveraging Reasoning for Log Statement Generation
- arxiv url: http://arxiv.org/abs/2607.11615v1
- Date: Mon, 13 Jul 2026 14:37:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.505027
- Title: ThinkLog: Leveraging Reasoning for Log Statement Generation
- Title（参考訳）: ThinkLog: ログステートメント生成のための推論の活用
- Abstract要約: ThinkLogはエンドツーエンドのログステートメント生成メソッドである。
LLMがログ挿入、重大度レベルの割り当て、メッセージ生成に関する決定を下すのに役立つ推論が組み込まれている。
ログステートメントの生成精度は20.55%で、既存のベストメソッドよりも15.4%向上している。
- 参考スコア（独自算出の注目度）: 4.372207458643732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Runtime logs are an important source of information that supports software maintenance. To obtain useful logs, developers spend significant effort identifying appropriate log locations, assigning correct severity levels, and writing concise yet informative messages. Therefore, end-to-end automated log statement generation can help reduce this burden, and prior work has proposed many methods for this task. However, existing methods still exhibit limited accuracy. To address this problem, we propose ThinkLog, an LLM-based end-to-end log statement generation method. The core idea of ThinkLog is to incorporate reasoning that helps LLMs make decisions about log insertion, severity level assignment, and message generation, thereby improving log statement generation accuracy. ThinkLog injects reasoning into prompts as few-shot examples and guides LLMs to generate appropriate log statements. Evaluated on 9,619 Java methods extracted from public GitHub repositories, ThinkLog achieves 20.55% log statement generation accuracy, representing a 15.4% improvement over the best existing method. Moreover, these improvements were achieved at approximately 50% of the inference cost (USD) compared to the best existing method. These results show that leveraging reasoning is an effective and cost-efficient way to improve the accuracy of end-to-end log statement generation.
- Abstract（参考訳）: 実行時ログは、ソフトウェアのメンテナンスをサポートする重要な情報ソースである。
便利なログを得るために、開発者は適切なログ場所を特定し、正確な重大度レベルを割り当て、簡潔で情報に乏しいメッセージを書くのにかなりの時間を費やしている。
したがって、エンドツーエンドの自動ログステートメント生成は、この負担を軽減するのに役立つ。
しかし、既存の手法では精度が限られている。
この問題に対処するために,LLMに基づくエンドツーエンドのログステートメント生成手法であるThinkLogを提案する。
ThinkLogの中核となる考え方は、LSMがログ挿入、重大度レベルの割り当て、メッセージ生成に関する決定を下すのに役立つ推論を組み込むことで、ログステートメントの生成精度を向上させることである。
ThinkLogは、いくつかの例のように推論をプロンプトに注入し、適切なログステートメントを生成するためにLLMをガイドする。
公開GitHubリポジトリから抽出された9,619のJavaメソッドに基づいて評価され、ThinkLogは20.55%のログステートメント生成精度を達成した。
さらに,これらの改善は,既存手法と比較して推定コスト(USD)の約50%で達成された。
これらの結果から, 推論を活用することは, エンド・ツー・エンドのログステートメント生成の精度を向上させるための有効かつ費用効率のよい方法であることがわかった。
関連論文リスト
- OrLog: Resolving Complex Queries with LLMs and Probabilistic Reasoning [51.58235452818926]
そこで我々は,論理的推論から述語レベルの妥当性推定を分離するニューロシンボリック検索フレームワークOrLogを紹介する。
大規模言語モデル (LLM) は1つの復号のない前方通過において原子述語に対する可視性スコアを提供し、確率論的推論エンジンはクエリ満足度の後方確率を導出する。
論文 参考訳（メタデータ） (2026-01-30T15:31:58Z) - PDLogger: Automated Logging Framework for Practical Software Development [7.860311994179783]
既存の自動ロギング技術は、分離されたサブタスクに焦点を当てている。
PDLoggerは、実用的なマルチログシナリオ向けに設計された最初のエンドツーエンドのログ生成技術である。
F1は69.2%、レベル精度は82.3%、変数精度は131.8%、メッセージ品質(BERTScore)は65.7%である。
論文 参考訳（メタデータ） (2025-07-26T13:35:57Z) - Studying and Benchmarking Large Language Models For Log Level Suggestion [49.176736212364496]
大規模言語モデル(LLM)は、様々な領域で研究の焦点となっている。
本稿では,12個のオープンソースLCMのログレベル提案における性能に及ぼす特性と学習パラダイムの影響について検討する。
論文 参考訳（メタデータ） (2024-10-11T03:52:17Z) - Data is all you need: Finetuning LLMs for Chip Design via an Automated design-data augmentation framework [50.02710905062184]
本稿では,Verilog と EDA スクリプトに適合する高ボリュームかつ高品質な自然言語を生成する自動設計データ拡張フレームワークを提案する。
Verilog生成の精度は現在の最先端のオープンソースVerilog生成モデルを超え、同じベンチマークで58.8%から70.6%に増加した。
論文 参考訳（メタデータ） (2024-03-17T13:01:03Z) - Log Statements Generation via Deep Learning: Widening the Support
Provided to Developers [16.079459379684554]
LANCEはディープラーニング(DL)に根ざしたアプローチで、Javaメソッドにログステートメントを正しく注入する能力を示している。
本稿では,ログステートメントを含まないメソッドを識別するDLベースの手法であるLEONIDを提案する。
論文 参考訳（メタデータ） (2023-11-08T10:31:18Z) - FastLog: An End-to-End Method to Efficiently Generate and Insert Logging Statements [5.80502312468937]
我々は、完全なロギングステートメントの生成と挿入アクティビティをサポートするFastLogを提案する。
FastLogは最初、最も優れたトークンレベルの挿入位置を予測し、次に挿入する完全なロギングステートメントを生成する。
総合的な実証分析により,本手法は効率と出力品質の両方において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-11-06T04:26:20Z) - A Large-Scale Evaluation for Log Parsing Techniques: How Far Are We? [42.56249610409624]
実世界のソフトウェアシステムにおけるログデータの特徴をよりよく反映できる,アノテーション付きログデータセットの新たなコレクションであるLoghub-2.0を提供する。
我々は、より厳密で実践的な設定で15の最先端ログを徹底的に再評価し、特に、既存のメトリクスの非バランスなデータ分布に対する感度を緩和する新しい評価基準を導入する。
論文 参考訳（メタデータ） (2023-08-21T16:24:15Z) - Prompting for Automatic Log Template Extraction [6.299547112893045]
DivLogは、大規模言語モデル(LLM)の非コンテキスト学習(ICL)能力に基づく効果的なログ解析フレームワークである。
プロンプト内の例のセマンティクスをマイニングすることで、DivLogはトレーニング不要な方法でターゲットログテンプレートを生成する。
論文 参考訳（メタデータ） (2023-07-19T12:44:59Z) - Data-Driven Approach for Log Instruction Quality Assessment [59.04636530383049]
優れた品質特性を持つログ命令の記述方法に関するガイドラインは,広く採用されていない。
1)ログレベルの正確さを評価するための正しいログレベルの割り当てと,2)イベント記述の冗長化に必要な静的テキストの最小富度を評価する十分な言語構造である。
本手法は,F1スコア0.99の十分な言語構造を用いて,ログレベルの割当を精度0.88で正確に評価する。
論文 参考訳（メタデータ） (2022-04-06T07:02:23Z) - Borrowing from Similar Code: A Deep Learning NLP-Based Approach for Log
Statement Automation [0.0]
ログステートメントの位置を予測するために,更新および改良されたログ対応コードクローン検出手法を提案する。
我々は,自然言語処理(NLP)と深層学習手法を組み込んで,ログステートメントの記述予測を自動化する。
解析の結果、我々のハイブリッドNLPとコードクローン検出手法(NLP CC'd)は、ログステートメントの場所を見つける際に従来のクローン検出器よりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-12-02T14:03:49Z) - Leveraging Code Clones and Natural Language Processing for Log Statement
Prediction [0.0]
本研究の目的は、ソースコードクローンと自然言語処理(NLP)を利用してログステートメントを予測することである。
本研究は,ログの自動位置検出と記述予測におけるログ認識型クローン検出の有効性を示す。
論文 参考訳（メタデータ） (2021-09-08T18:17:45Z) - Self-Supervised Log Parsing [59.04636530383049]
大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。
既存のアプローチは、ログ特化や手動ルール抽出に依存している。
本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
論文 参考訳（メタデータ） (2020-03-17T19:25:25Z)
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。