論文の概要: Enhancing Code Understanding for Impact Analysis by Combining Transformers and Program Dependence Graphs

• arxiv url: http://arxiv.org/abs/2607.23355v1
• Date: Sat, 25 Jul 2026 20:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.071863
• Title: Enhancing Code Understanding for Impact Analysis by Combining Transformers and Program Dependence Graphs
• Title（参考訳）: プログラム依存グラフと変換器の組み合わせによる影響分析のためのコード理解の強化
• Abstract要約: インパクト分析(IA)は、与えられた一連のコード変更がより大きなソフトウェアプロジェクトに与える影響を識別する重要なソフトウェアメンテナンスタスクである。 我々は、ソフトウェアシステムの依存グラフ情報と概念結合アプローチを組み合わせた、Athenaと呼ばれる新しいIAアプローチを導入する。
• 参考スコア（独自算出の注目度）: 24.488668933101668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Impact analysis (IA) is a critical software maintenance task that identifies the effects of a given set of code changes on a larger software project with the intention of avoiding potential adverse effects. IA is a cognitively challenging task that involves reasoning about the abstract relationships between various code constructs. Given its difficulty, researchers have worked to automate IA with approaches that primarily use coupling metrics as a measure of the "connectedness" of different parts of a software project. Many of these coupling metrics rely on static, dynamic, or evolutionary information and are based on heuristics that tend to be brittle, require expensive execution analysis, or large histories of co-changes to accurately estimate impact sets. In this paper, we introduce a novel IA approach, called Athena, that combines a software system's dependence graph information with a conceptual coupling approach that uses advances in deep representation learning for code without the need for change histories and execution information. Previous IA benchmarks are small, containing fewer than ten software projects, and suffer from tangled commits, making it difficult to measure accurate results. Therefore, we constructed a large-scale IA benchmark, called Alexandria, from 25 open-source software projects, that utilizes fine-grained commit information from bug fixes. On this new benchmark, our best-performing approach configuration achieves mRR, mAP, and HIT@10 scores of 60.32%, 35.19%, and 81.48%, respectively. Through various ablations and qualitative analyses, we show that Athena's novel combination of program dependence graphs and conceptual coupling information leads it to outperform a simpler baseline by 10.34%, 9.55%, and 11.68% with statistical significance.
• Abstract（参考訳）: インパクト分析(IA)は、潜在的に有害な影響を避ける目的で、与えられたコード変更セットがより大きなソフトウェアプロジェクトに与える影響を特定する重要なソフトウェアメンテナンスタスクである。 IAは認知的に困難なタスクであり、様々なコード構造間の抽象的な関係を推論する。 その難しさから、研究者たちは、ソフトウェアプロジェクトのさまざまな部分の"接続性"の尺度として結合メトリクスを主に使用するアプローチで、IAの自動化に取り組んだ。 これらの結合メトリクスの多くは静的、動的、または進化的な情報に依存しており、影響セットを正確に見積もるために、脆く、高価な実行分析を必要とするヒューリスティックに基づく。 本稿では、ソフトウェアシステムの依存グラフ情報と、コードに対する深層表現学習の進歩を利用する概念的結合アプローチを、変更履歴や実行情報を必要とせずに組み合わせた、Athenaと呼ばれる新しいIAアプローチを提案する。 以前のIAベンチマークは小さく、10件未満のソフトウェアプロジェクトが含まれており、絡み合ったコミットに悩まされており、正確な結果を測定するのは難しい。 そこで我々は,25のオープンソースプロジェクトからAlexandriaという大規模IAベンチマークを構築した。 今回のベンチマークでは,mRR,mAP,HIT@10のスコアはそれぞれ60.32%,35.19%,81.48%である。 アテナの新しいプログラム依存グラフと概念的結合情報の組み合わせにより、より単純なベースラインを10.34%、9.55%、統計学的に11.68%上回る結果が得られた。

関連論文リスト

• AI Agentic Vulnerability Injection And Transformation with Optimized Reasoning [2.918225266151982]
  AVIATORはAIによる最初の脆弱性注入ワークフローである。 高忠実で多様な大規模な脆弱性データセット生成のために、現実的でカテゴリ固有の脆弱性を自動的に注入する。 セマンティック分析、LoRAベースのファインチューニングとRetrieval-Augmented Generationで強化されたインジェクション合成、静的解析とLLMベースの識別器によるインジェクション後の検証を組み合わせる。
  論文  参考訳（メタデータ） (2025-08-28T14:59:39Z)
• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Detecting the Root Cause Code Lines in Bug-Fixing Commits by Heterogeneous Graph Learning [1.5213722322518697]
  自動欠陥予測ツールは、ソフトウェアプロジェクト内の欠陥に起因するソフトウェア変更を積極的に識別することができる。 異質で複雑なソフトウェアプロジェクトにおける既存の作業は、異質なコミット構造に苦労したり、コード変更におけるクロスライン依存関係を無視したりといった課題に直面し続けている。 本稿では,バグフィックスグラフ構築コンポーネント,コードセマンティックアグリゲーションコンポーネント,クロスラインセマンティック保持コンポーネントの3つの主要コンポーネントからなるRC_Detectorというアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-02T05:39:50Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• Tool-Augmented Reward Modeling [58.381678612409]
  本稿では,外部環境へのアクセスによるRMの強化により,制約に対処するツール拡張された嗜好モデリング手法であるThemisを提案する。 我々の研究は、外部ツールをRMに統合し、様々な外部ソースとの相互作用を可能にすることを目的としている。 人間の評価では、テミスで訓練されたRLHFはベースラインと比較して平均32%の勝利率を得る。
  論文  参考訳（メタデータ） (2023-10-02T09:47:40Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)
• Improving the Effectiveness of Traceability Link Recovery using Hierarchical Bayesian Networks [21.15456830607455]
  We implement a HierarchiCal Probabilistic Model for SoftwarE Traceability (Comet) 彗星は、テキスト類似性の複数の尺度の相補的な観察能力を組み合わせることで、人工物間の関係をモデル化することができる。 我々は、最適に設定されたベースラインのセットに対する改善を示す、Cometの包括的な経験的評価を行う。
  論文  参考訳（メタデータ） (2020-05-18T19:38:29Z)

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。