論文の概要: Multi-Perspective Agentic Program Repair via Code Property Graphs and Temporal Execution Graphs

• arxiv url: http://arxiv.org/abs/2607.12605v1
• Date: Tue, 14 Jul 2026 10:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.119061
• Title: Multi-Perspective Agentic Program Repair via Code Property Graphs and Temporal Execution Graphs
• Title（参考訳）: コードプロパティグラフと時間実行グラフによる多目的エージェントプログラム修復
• Abstract要約: 我々は、静的および動的エビデンスを表すエージェントAPRフレームワークであるCT-Repairを、クエリ可能なコードプロパティグラフ(CPG)と時間実行グラフ(TEG)として提示する。 3つの有限状態機械誘導エージェントは、静的、動的、ハイブリッドの観点から各バグを分析し、個別に修復戦略を作成する。 戦略誘導型生成手順は、これらの戦略を候補パッチとしてインスタンス化し、検証フィードバックを使用して最も有望な戦略を洗練する。
• 参考スコア（独自算出の注目度）: 16.200330031305473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have improved automated program repair (APR), but two limitations remain. First, raw execution traces are often too large and repetitive to serve as effective model context. Second, repeated patch sampling may produce different implementations without yielding distinct root-cause hypotheses or repair strategies. We present CT-Repair, an agentic APR framework representing static and dynamic evidence as queryable Code Property Graph (CPG) and Temporal Execution Graph (TEG). CT-Repair applies a three-stage filtering pipeline to construct compact TEGs. Three finite-state-machine-guided agents analyze each bug from static, dynamic, and hybrid perspectives and independently produce evidence-grounded repair strategies. A strategy-guided generation procedure instantiates these strategies as candidate patches and uses validation feedback to refine the most promising strategy. We evaluate CT-Repair on 854 Java bugs from Defects4J v3.0. In the mixed-model configuration, CT-Repair correctly repairs 489 bugs. Under a controlled GPT-5.4-mini configuration, it repairs 388 bugs, 19 and 30 more than ReinFix and RepairAgent, respectively. The union of the three evidence perspectives repairs 99 more bugs than the strongest individual perspective. The filtering pipeline also compacts runtime evidence, with execution filtering narrowing the candidate method scope by 94.85% on average and behavior filtering further reducing retained runtime records by 55.97%. These results show that structured runtime evidence and multi-perspective reasoning can improve repair effectiveness without relying solely on a larger patch-generation budget.
• Abstract（参考訳）: 大規模言語モデル (LLM) は自動プログラム修復 (APR) を改善したが、2つの制限が残っている。 まず、生の実行トレースは、しばしば大きすぎて反復的であり、効果的なモデルコンテキストとして機能する。 第2に、繰り返しパッチサンプリングは、異なる根本原因の仮説や修復戦略を得ることなく、異なる実装を生成する可能性がある。 静的および動的エビデンスを表すエージェントAPRフレームワークであるCT-Repairを,クエリ可能なコードプロパティグラフ(CPG)とテンポラル実行グラフ(TEG)として提示する。 CT-Repairは、コンパクトなTEGを構築するために3段階のフィルタリングパイプラインを適用している。 3つの有限状態機械誘導エージェントは、静的、動的、ハイブリッドの観点から各バグを分析し、エビデンスに基づく修復戦略を独立に生成する。 戦略誘導型生成手順は、これらの戦略を候補パッチとしてインスタンス化し、検証フィードバックを使用して最も有望な戦略を洗練する。 Defects4J v3.0 から 854 の Java バグに対する CT-Repair の評価を行った。 混合モデル構成では、CT-Repairは489のバグを正しく修復する。 コントロールされた GPT-5.4-mini 構成では、ReinFix と repairAgent よりも 388 のバグ、19 と 30 のバグを修復する。 3つのエビデンス・パースペクティブ・パースペクティブの合併は、最も強いパースペクティブ・パースペクティブよりも99以上のバグを修復する。 フィルタリングパイプラインはまた実行時エビデンスをコンパクト化し、実行時フィルタリングは平均で94.85%、動作時フィルタリングは55.97%削減された。 これらの結果から,構成されたランタイムエビデンスとマルチパースペクティブ推論は,より大規模なパッチ生成予算のみに頼ることなく,修復効率を向上させることができることがわかった。

関連論文リスト

• Beyond Fail-to-Pass: Iterative Hardening of Co-Generated Bug Reproduction Tests and Fixes [55.114939648705395]
  大規模言語モデル(LLM)は、現実のバグに対して、プログラムの自動修正をますます実用的にしている。 バグ再現テスト(BRT)は、バグレポートを実行可能なバグ固有の信号に変換することで、このギャップを埋めるのに役立つ。 本稿では,ループ内収束基準としてLax信号を用いるコジェネレーションフレームワークであるCoHardenを提案する。
  論文  参考訳（メタデータ） (2026-07-22T07:30:07Z)
• 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)
• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• EviACT: An Evidence-to-Action Framework for Agentic Program Repair [21.78498442884825]
  EviACTは、3つのエビデンス駆動ガードレールを修復段階にわたって調整するエージェントAPRフレームワークである。 最強の報告されたベースラインよりも1.6-6.0ポイントのリゾルバ率を改善する。 ベースラインコストが利用可能なバグ毎のAPIコストは70.1-88.6%低下している。
  論文  参考訳（メタデータ） (2026-05-26T16:17:47Z)
• DebugRepair: Enhancing LLM-Based Automated Program Repair via Self-Directed Debugging [20.747648291211338]
  DebugRepairは自動プログラム修復のためのセルフダイレクトフレームワークである。 中間ランタイムエビデンスによるパッチ改善を改善する。 15のアプローチに対して最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-21T10:11:59Z)
• Runtime Execution Traces Guided Automated Program Repair with Multi-Agent Debate [8.424102114588559]
  自動プログラム修復(APR)は複雑なロジックエラーとサイレント障害に悩まされる。 現在のLLMベースのAPRメソッドは主に静的であり、ソースコードと基本的なテスト出力に依存している。 我々は、パッチ検証のための共有制約としてランタイム事実を活用するマルチエージェントフレームワークであるTraceRepairを提案する。
  論文  参考訳（メタデータ） (2026-04-03T02:23:25Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Automated Repair of C Programs Using Large Language Models [0.0]
  本研究では,Cプログラムの修復を自動化する上で,LLM(Large Language Models)の可能性について検討する。 本稿では,SBFL(Spectrum-based Fault Localization),ランタイムフィードバック,Chain-of-Thought-structured(Chain-of-Thought-structured)を自動修復ループに統合するフレームワークを提案する。 我々の手法は44.93%の修理精度を達成し、最先端のAPRベースラインに対する3.61%の絶対的な改善を示している。
  論文  参考訳（メタデータ） (2025-09-02T04:34:11Z)
• The Art of Repair: Optimizing Iterative Program Repair with Instruction-Tuned Models [48.073219761367184]
  複数出力の生成と複数ラウンドの反復のバランスをとるAPRパイプラインについて検討する。 3つのサイズ(1K, 30K, 65K)と2つのテクニック(フルファインチューニングとLoRA)を持つAPRデータセット上で各モデルを微調整する。 その結果,微調整データセットのごく一部(1%)しか使用せず,最大78%の改善が達成できた。
  論文  参考訳（メタデータ） (2025-05-05T18:06:51Z)
• RAP-Gen: Retrieval-Augmented Patch Generation with CodeT5 for Automatic Program Repair [75.40584530380589]
  新たな検索型パッチ生成フレームワーク(RAP-Gen)を提案する。 RAP-Gen 以前のバグ修正ペアのリストから取得した関連する修正パターンを明示的に活用する。 RAP-GenをJavaScriptのTFixベンチマークとJavaのCode RefinementとDefects4Jベンチマークの2つのプログラミング言語で評価する。
  論文  参考訳（メタデータ） (2023-09-12T08:52:56Z)
• Is Self-Repair a Silver Bullet for Code Generation? [68.02601393906083]
  大規模な言語モデルは、コード生成において顕著な適性を示しているが、それでも複雑なタスクを実行するのに苦労している。 自己修復(Self-repair) — モデルが自身のコードをデバッグし、修復する — は、最近、パフォーマンスを向上する一般的な方法になっている。 我々は,Code Llama, GPT-3.5, GPT-4によるHumanEvalとAPPSの自己修復能力について分析した。
  論文  参考訳（メタデータ） (2023-06-16T15:13:17Z)

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。