論文の概要: DepRepair: LLM-Based Source-Code Repair for Dependency Breaking Changes
- arxiv url: http://arxiv.org/abs/2607.17957v1
- Date: Mon, 20 Jul 2026 13:58:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.646653
- Title: DepRepair: LLM-Based Source-Code Repair for Dependency Breaking Changes
- Title（参考訳）: DepRepair: 依存性の破壊的変更に対するLLMベースのソースコードの修正
- Authors: Shenghao Yang, Bo Lu, Yaochen Liu, Yu Kang, Qiongfang Zhang, Chetan Bansal, Saravan Rajmohan, Minghua Ma,
- Abstract要約: DepRepairは、3つのコンポーネントで構築された上流の証拠を修復する単一コールLLMアプローチである。
GPT-5.5で89.5%、Claude Opus 4.6で82.1%となる。
- 参考スコア（独自算出の注目度）: 26.444574129479463
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern software projects depend on numerous third-party libraries, whose updates often introduce breaking changes. Adapting consumer code to such changes remains labor-intensive and error-prone. Existing work either characterizes dependency breaking changes without producing a verified consumer-side patch, or studies automated repair only in settings where the failure and repair context are contained within the target repository. However, dependency breaking changes violate this assumption: the decisive repair evidence lies upstream in release notes and API diffs, and no failing test localizes where the consumer breaks, leaving the repair under-informed. To study this cross-repository problem on real data, we introduce DepBench, a benchmark of 95 real-world dependency-update instances across four ecosystems, each paired with a Docker-based executable oracle that runs the consumer's own tests. To address these challenges, we propose DepRepair, a single-call LLM approach that grounds repair in structured upstream evidence through three components: an evidence filter that distills relevant upstream changes, a usage locator that identifies affected consumer sites, and a subcategory-aware guide that tailors repairs to the breaking-change type. Evaluated on DepBench, DepRepair attains the highest executable pass rate on each backbone, achieving 89.5% with GPT-5.5 and 82.1% with Claude Opus 4.6. We further find that raw upstream evidence reduces LLM and agent pass rates by 7--23 percentage points, whereas structured evidence consistently improves them.
- Abstract（参考訳）: 最新のソフトウェアプロジェクトは、多くのサードパーティのライブラリに依存しており、更新によってしばしば破壊的な変更がもたらされる。
このような変更に消費者コードを適用することは、労働集約的かつエラーを起こします。
既存の作業は、検証済みのコンシューマサイドパッチを作成せずに依存性の破壊的な変更を特徴付けるか、あるいは、障害と修正コンテキストがターゲットリポジトリに含まれる設定でのみ自動修正を研究する。
決定的な修復証拠はリリースノートとAPI差分に上流にあり、失敗するテストはコンシューマが壊れた場所をローカライズせず、修復はインフォームされません。
これは4つのエコシステムにまたがる95の実際の依存性更新インスタンスのベンチマークで、それぞれがDockerベースの実行可能なオラクルと組み合わせて、コンシューマ自身のテストを実行します。
これらの課題に対処するため、我々は、上流のエビデンスを蒸留するエビデンスフィルタと、影響のある消費者サイトを識別する利用ロケータと、破断型の修復を行うサブカテゴリ対応ガイドの3つのコンポーネントを通して、構築された上流のエビデンスを修復するシングルコールLLMアプローチであるDepRepairを提案する。
DepBenchでの評価では、DepRepairは各バックボーンで最高実行速度に達し、GPT-5.5で89.5%、Claude Opus 4.6で82.1%を記録した。
さらに,LLMとエージェントの通過率を7～23ポイント削減する一方,構造化された証拠は一貫して改善することがわかった。
関連論文リスト
- 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) - MemRepair: Hierarchical Memory for Agentic Repository-Level Vulnerability Repair [10.709112246848058]
現代のソフトウェアエコシステムは、公表された脆弱性の急増に直面している。
既存のシステムのほとんどは、脆弱性の修復を、現在見えるコードコンテキストの単一生成ステップとして扱う。
本稿では、メモリ拡張されたエージェントフレームワークであるMemRepairを紹介し、脆弱性修復を反復的、経験駆動的なプロセスとして定式化する。
論文 参考訳（メタデータ） (2026-05-17T13:29:46Z) - EvidenT: An Evidence-Preserving Framework for Iterative System-Level Package Repair [26.445772656438752]
ツール実行からエビデント管理を分離するエビデント修復フレームワークであるエビデントを提案する。
実世界のRISC-Vパッケージビルド障害219件についてEvidenTの評価を行った。
予備実験はaarch64で41.77%、x86_64で46.99%の成功率を達成した。
論文 参考訳（メタデータ） (2026-05-09T02:29:57Z) - QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization [50.722636027998]
大規模言語モデル (LLM) はプログラム修復性能が高いが、しばしば過剰な編集に悩まされる。
オーバー編集を軽減し,修復精度を向上させるフレームワークであるPRepairを提案する。
論文 参考訳（メタデータ） (2026-04-07T14:56:38Z) - RepoRepair: Leveraging Code Documentation for Repository-Level Automated Program Repair [30.23781155493087]
RepoRepairは,レポジトリレベルの障害ローカライゼーションとプログラム修復のための新しいドキュメンテーションによるアプローチである。
私たちの中核的な洞察は、LLMを活用して、コードリポジトリの階層的なコードドキュメンテーション(関数からファイルまで)を生成することです。
RepoRepairはまず、テキストベースのLLMを使用して、リポジトリのファイル/関数レベルのコードドキュメントを生成する。
論文 参考訳（メタデータ） (2026-03-01T11:06:24Z) - Outrunning LLM Cutoffs: A Live Kernel Crash Resolution Benchmark for All [57.23434868678603]
Live-kBenchは、新たに発見されたカーネルバグのエージェントをスクラップし、評価するセルフ進化ベンチマークの評価フレームワークである。
kEnvは、カーネルのコンパイル、実行、フィードバックのためのエージェントに依存しないクラッシュ解決環境である。
kEnvを用いて3つの最先端エージェントをベンチマークし、最初の試行で74%のクラッシュを解決したことを示す。
論文 参考訳（メタデータ） (2026-02-02T19:06:15Z) - Outcome-Conditioned Reasoning Distillation for Resolving Software Issues [49.16055123488827]
本稿では, 検証済みパッチを監督として, リポジトリ内問題を解決したO-CRD(Outcome-Conditioned Reasoning Distillation)フレームワークを提案する。
歴史的修正から始まり、検証結果から段階的な修理トレースを後方に再構築する。
SWE-Bench Liteでは、GPT-4oではPass@1が10.4%、DeepSeek-V3では8.6%、GPT-5では10.3%増加する。
論文 参考訳（メタデータ） (2026-01-30T18:25:39Z) - Diffploit: Facilitating Cross-Version Exploit Migration for Open Source Library Vulnerabilities [13.559398564795048]
Diffploitは2つのキーモジュールを中心に構成された反復的で差分駆動のエクスプロイトマイグレーション手法である。
79のライブラリにわたる102のJava CVEと689のバージョンマイグレーションタスクを含む大規模データセット上でDiffploitを評価する。
84.2%のエクスプロイトの移行に成功し、変更対応のテスト修正ツールであるTARGETを52.0%、IDEAのルールベースのツールを61.6%上回った。
論文 参考訳（メタデータ） (2025-11-17T04:06:01Z) - Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。
プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。
また, GPT-4o miniが74.18%と高い修理成功率を示した。
論文 参考訳（メタデータ） (2025-07-04T15:36:12Z)
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。