論文の概要: LinkRank: A Learning-to-Rank Framework for One-to-Many Issue-Commit Traceability

• arxiv url: http://arxiv.org/abs/2607.23610v1
• Date: Sun, 26 Jul 2026 11:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.169984
• Title: LinkRank: A Learning-to-Rank Framework for One-to-Many Issue-Commit Traceability
• Title（参考訳）: LinkRank: 1対1の問題-コミットトレーサビリティのための学習から学習までのフレームワーク
• Authors: Abhishek Kumar, Tuhin Mondal, Partha Pratim Das, Partha Pratim Chakrabarti,
• Abstract要約: LinkRankは、一対多のイシュー-コミットリンクをリカバリするためのラーニング・ツー・ランクのフレームワークである。 LinkRankは問題に対する候補コミットのセットを検討し、その解決に最も貢献する可能性のあるコミットを特定する。 我々はLinkRankを2つの設定で評価する: Known-K、リンクされたコミットの真の数、Unknown-K。
• 参考スコア（独自算出の注目度）: 11.169387830830628
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering traceability links between issues and commits is important for software maintenance, debugging, impact analysis, and project understanding. However, most existing approaches assume a one-to-one relationship, where each issue is linked to a single commit. In practice, many issues are resolved through multiple commits, and ignoring this one-to-many nature can lead to incomplete traceability. This paper presents LinkRank, a learning-to-rank framework for recovering one-to-many issue--commit links. Unlike existing methods that mainly judge issue--commit pairs independently, LinkRank considers the set of candidate commits for an issue and identifies the commits that are most likely to contribute to its resolution. To support realistic evaluation, we construct a new dataset from six open-source GitHub repositories. LinkRank follows an iterative pick--remove--renormalize strategy: it selects the highest-ranked commit, removes it from the candidate pool, renormalizes the remaining scores, and repeats the process until the stopping criterion is met. We evaluate LinkRank under two settings: Known-K, where the true number of linked commits is available, and Unknown-K, where the model must infer when to stop selecting commits using ABS and REL stopping rules. Across six projects, LinkRank achieves an average Known-K F1 score of 74.54%, compared with 48.39% for the strongest baseline. In the Unknown-K setting, LinkRank achieves 68.84% F1 with ABS and 67.02% F1 with REL, outperforming the strongest baselines under both automatic stopping rules. Overall, the findings suggest that one-to-many issue--commit traceability is better addressed as an issue-centric ranking and iterative selection problem than as independent pairwise classification.
• Abstract（参考訳）: 問題とコミットの間のトレーサビリティリンクの回復は、ソフトウェアのメンテナンス、デバッグ、影響分析、プロジェクト理解にとって重要である。 しかし、既存のほとんどのアプローチは、1対1の関係を前提としています。 実際には、複数のコミットによって多くの問題が解決され、この1対多の性質を無視することは、不完全なトレーサビリティにつながる可能性がある。 本稿では,一対一のイシュー・コミット・リンクを回復するためのラーニング・ツー・ランクのフレームワークであるLinkRankについて述べる。イシュー・コミット・ペアを独立に判断する既存の方法とは異なり,LinkRankは問題に対する候補コミットのセットを検討し,その解決に最も貢献する可能性のあるコミットを特定する。 現実的な評価をサポートするため、6つのオープンソースGitHubリポジトリから新しいデータセットを構築します。 LinkRankはイテレーティブなピック-リモーブ-リノーマライズ戦略に従い、最上位のコミットを選択し、候補プールから削除し、残りのスコアをリノーマライズし、停止基準を満たすまでプロセスを繰り返す。 我々はLinkRankを2つの設定で評価する: Known-K, リンクされたコミットの本当の数が利用可能である。 6つのプロジェクトの中で、LinkRankはKnown-K F1スコアが74.54%で、最強のベースラインは48.39%である。 Unknown-K設定では、LinkRankはABSで68.84%のF1、RELで67.02%のF1を達成した。 全体としては、一対一の課題-コミットトレーサビリティは、独立したペアワイズ分類よりも、課題中心のランキングと反復的な選択の問題として対処されていることが示唆されている。

関連論文リスト

• Don't Commit Alone: Joint Token Commitment in Diffusion Large Language Models [0.6916773850242582]
  マーカー付きコーディネーションパスであるCoCommitを提案する。 LLaDA2.1-miniとLoRAアダプタと一致したグリーディ推論では、共同コミットメントは評価した6つのベンチマークの正確性を改善する。
  論文  参考訳（メタデータ） (2026-07-05T19:29:13Z)
• CORE-T: COherent REtrieval of Tables for Text-to-SQL [91.76918495375384]
  CORE-Tはスケーラブルでトレーニング不要なフレームワークで、テーブルに目的のメタデータを付加し、軽量なテーブル互換キャッシュをプリコンプリートする。 バード、スパイダー、MMQAを越えて、CORE-Tはテーブル選択F1を最大22.7ポイント改善し、最大42%のテーブルを検索する。
  論文  参考訳（メタデータ） (2026-01-19T14:51:23Z)
• Programming over Thinking: Efficient and Robust Multi-Constraint Planning [54.77940831026738]
  SCOPEは、クエリ固有の推論をジェネリックコード実行から切り離すフレームワークである。 SCOPEは、コストとレイテンシを下げながら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） (2026-01-14T02:58:07Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• LinkAnchor: An Autonomous LLM-Based Agent for Issue-to-Commit Link Recovery [1.5399429731150376]
  GitHubの調査によると、問題の42.2%だけがコミットに正しくリンクされている。 提案するLinkAnchorは,プロポーザル・ツー・コミットリンクリカバリ用に設計された,初の自律型LCMエージェントである。
  論文  参考訳（メタデータ） (2025-08-17T04:21:44Z)
• LLM-Driven Collaborative Model for Untangling Commits via Explicit and Implicit Dependency Reasoning [15.20947984949809]
  コミット回避のための新しいコラボレーティブコンサルテーションフレームワークであるColaUntangleを提案する。 ColaUntangleは、LLM(Large Language Model)駆動エージェントをマルチエージェントアーキテクチャに統合する。 広く使われている2つのデータセット(1,612 C#と14k Java tangledコミット)上でColaUntangleを評価する。
  論文  参考訳（メタデータ） (2025-07-22T09:42:13Z)
• DCR: Divide-and-Conquer Reasoning for Multi-choice Question Answering with LLMs [9.561022942046279]
  大規模言語モデル(LLM)の推論能力を高めるため,DCR(Divide and Conquer Reasoning)を提案する。 まず、信頼性スコア(mathcalCS$)に基づいて質問を2つのサブセットに分類する。 特に,質問を信頼性スコア(mathcalCS$)に基づいて2つのサブセットに分類する。
  論文  参考訳（メタデータ） (2024-01-10T14:38:46Z)
• Delving into Commit-Issue Correlation to Enhance Commit Message Generation Models [13.605167159285374]
  コミットメッセージ生成は、自動化されたソフトウェアエンジニアリングにおいて難しいタスクである。 ツールとは,コミットとイシューの相関関係をモデルのトレーニングフェーズに導入する,新たなパラダイムだ。 その結果,元モデルと比較して,ツール強化モデルの性能は大幅に向上した。
  論文  参考訳（メタデータ） (2023-07-31T20:35:00Z)
• Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
  そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。 鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
  論文  参考訳（メタデータ） (2020-07-29T02:38:49Z)
• TACRED Revisited: A Thorough Evaluation of the TACRED Relation Extraction Task [80.38130122127882]
  TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである パフォーマンスの天井に到達したのか、改善の余地はあるのか? ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
  論文  参考訳（メタデータ） (2020-04-30T15:07:37Z)

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。