論文の概要: Dependency-Guided Code Generation: Structured Matrix Decomposition and Consistency-Guided Refinement

• arxiv url: http://arxiv.org/abs/2607.16692v2
• Date: Mon, 27 Jul 2026 08:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 14:56:46.618686
• Title: Dependency-Guided Code Generation: Structured Matrix Decomposition and Consistency-Guided Refinement
• Title（参考訳）: 依存性誘導型コード生成:構造化マトリックス分解と一貫性誘導型リファインメント
• Authors: Mingqiao Mo, Yangchen Zeng, Zikai Xiao, Xin Xiao, Wenhua Nie, Zhaolu Kang, Guangyuan Dong, Kai Shu, Hao Zhang, Xiaodong Fan,
• Abstract要約: 本稿では、グラフベースの表現を通じて、コードエンティティ間の相互作用を明示的にモデル化する依存性対応コード生成フレームワークを提案する。 提案手法は,既存の手法と比較して,セマンティックアライメントと構造的忠実性に優れたコードを生成する。
• 参考スコア（独自算出の注目度）: 19.989228986476196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing complexity of modern software systems has made automated code generation a fundamental task in software engineering. However, existing approaches often fail to adequately capture the intricate, multi-level dependencies among code entities, leading to generated code that is logically incomplete or difficult to integrate into real-world systems. To address this limitation, we propose a dependency-aware code generation framework that explicitly models interactions among code entities through a graph-based representation. We decompose dependencies into two complementary components: a quantized matrix that captures strong, explicit relations, and a sparse low-rank factorization that models weaker, implicit interactions. The decomposition is efficiently learned via an alternating optimization procedure. During code generation, the learned dependency structure is incorporated as a constraint, ensuring both semantic coherence and structural consistency of the generated code. Furthermore, we introduce a sparse triplet representation for strong dependencies, significantly improving storage efficiency and computational scalability. Extensive experiments demonstrate that our approach consistently produces code with superior semantic alignment and structural fidelity compared to existing methods.
• Abstract（参考訳）: 現代のソフトウェアシステムの複雑さが増すにつれ、自動化されたコード生成はソフトウェア工学の基本的なタスクとなった。 しかしながら、既存のアプローチでは、コードエンティティ間の複雑なマルチレベル依存関係を適切にキャプチャできない場合が多いため、論理的に不完全あるいは現実のシステムへの統合が難しいコードが生成される。 この制限に対処するために、グラフベースの表現を通してコードエンティティ間の相互作用を明示的にモデル化する依存性対応コード生成フレームワークを提案する。 依存関係を2つの相補的成分に分解する: 強い、明示的な関係を捉える量子化行列と、弱い、暗黙的な相互作用をモデル化するスパースな低ランク因子化である。 分解は、交互最適化手順により効率よく学習される。 コード生成の間、学習した依存関係構造は制約として組み込まれ、生成されたコードのセマンティックコヒーレンスと構造的一貫性の両方を保証する。 さらに,強い依存に対する疎三重項表現を導入し,ストレージ効率と計算スケーラビリティを大幅に改善した。 大規模な実験により、我々の手法は既存の手法と比較して、セマンティックアライメントと構造的忠実性に優れたコードを一貫して生成することを示した。

関連論文リスト

• 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)
• Do Not Treat Code as Natural Language: Implications for Repository-Level Code Generation and Beyond [13.550121154853715]
  自然言語ではなく構造化コードとしてコードを扱う,リポジトリレベルのコード生成フレームワークであるHydraを紹介します。 我々はHydraがオープンソースおよびクローズドソースのCodeLLMにまたがって最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2026-02-12T07:44:00Z)
• Completion by Comprehension: Guiding Code Generation with Multi-Granularity Understanding [37.78627994991325]
  CoCoは、大規模なコードリポジトリから複数の粒度コンテキストでコード補完を可能にする新しいフレームワークである。 CrossCodeEvalとRepoEvalベンチマークの実験は、CoCoが最先端のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-12-04T07:37:59Z)
• Scaling Code-Assisted Chain-of-Thoughts and Instructions for Model Reasoning [65.20602712957725]
  Cacoは、高品質で検証可能な多様な命令-CoT推論データの合成を自動化する新しいフレームワークである。 我々の研究は、人間の介入なしに自己持続的で信頼できる推論システムを構築するためのパラダイムを確立します。
  論文  参考訳（メタデータ） (2025-10-05T07:59:24Z)
• Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
  本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。 まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。 次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
  論文  参考訳（メタデータ） (2025-08-05T12:28:23Z)
• Contextually Structured Token Dependency Encoding for Large Language Models [0.0]
  自己注意機構は動的文脈依存を捉えるが、学習した重み分布への依存は、生成配列における長距離階層構造の保存を制限する。 依存性を意識したトークンエンコーディングでは,トークン表現内にリレーショナル制約を埋め込むという,構造化されたアプローチが導入されている。 経験的評価は、多種多様な言語ベンチマークにおけるパープレキシティの低下を示し、自己回帰テキスト生成における文脈的一貫性と予測一貫性の改善を示唆している。
  論文  参考訳（メタデータ） (2025-01-30T08:51:48Z)
• EpiCoder: Encompassing Diversity and Complexity in Code Generation [66.43738008739555]
  既存のコード生成方法はシードデータとしてコードスニペットを使用する。 階層的なコード機能を中心に展開する,新しい機能ツリーベースの合成フレームワークを提案する。 我々のフレームワークは、生成されたコードの複雑さを正確に制御し、関数レベルの操作からマルチファイルのシナリオまで幅広い機能を実現する。
  論文  参考訳（メタデータ） (2025-01-08T18:58:15Z)
• See-Saw Generative Mechanism for Scalable Recursive Code Generation with Generative AI [0.0]
  本稿では,動的かつ反復的なコード生成手法であるSee-Saw生成機構を紹介する。 提案されたアプローチは、アライメントと機能を保証するために、メインコード更新と依存性生成を交互に行う。 このメカニズムにより、すべてのコードコンポーネントが同期化され、機能し、スケーラブルで効率的なプロジェクト生成を可能にする。
  論文  参考訳（メタデータ） (2024-11-16T18:54:56Z)

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。