論文の概要: Tangling Pull Requests: Curating a Commit Untangling Dataset from Merged PRs

• arxiv url: http://arxiv.org/abs/2607.26730v1
• Date: Wed, 29 Jul 2026 10:19:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.623761
• Title: Tangling Pull Requests: Curating a Commit Untangling Dataset from Merged PRs
• Title（参考訳）: プルリクエストのタングリング:マージされたPRからのコミットアンタングリングデータセットの算出
• Abstract要約: オープンソースリポジトリのプルリクエスト(PR)から抽出したコミットを活用することにより,データセット構築のためのスケーラブルで費用対効果の高い手法を提案する。 データセットを実証的に検証した結果、フィルタリングルールを適用すると、単一のコミットと見なされるPRが絡み合っており、機能ブランチへの個々のコミットはアトミック(理想的PR)であることが分かりました。 この複合コミットデータセットは、以前のベースデータセットの5.7倍以上の大きさである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Composite commits (CC), in which multiple unrelated changes are bundled into a single commit, are frequent in software development and significantly hinder code comprehension and maintenance. Although machine learning-based methods have been developed to ``untangle'' such commits into smaller, coherent change sets, these methods require large-scale training data with correct untangling labels. Preparing such datasets is costly and typically requires expert labelling. In this study, we propose a scalable and cost-effective method for dataset construction by leveraging commits extracted from open-source repositories' pull requests (PRs). We empirically validated our dataset and found that when applying our filtering rules, PRs that, when viewed as a single commit, are tangled, yet each individual commit on the feature branch is atomic (ideal PRs), increased from 9.5% to 55%. This composite commits dataset is more than 5.7 times larger than previous heuristic-based datasets. Using our new dataset, we find that the PR-based dataset differs statistically from previous datasets directly constructed using Herzig's proposed heuristics even after accounting for our proposed rules that may alter CC or STS sizes. When constructing datasets using the previous heuristics, they differ statistically along dimensions that impact the confidence voters and are likely to impact learning-based approaches. We validate the impact on the original Herzig \etal method, which used confidence voters across our dataset. To show that our approach extends to other languages, we also create a Python dataset which we empirically validate, finding comparable rates for ideal PRs (56.5%).
• Abstract（参考訳）: 複数の無関係な変更をひとつのコミットにバンドルする複合コミット(CC)は、ソフトウェア開発において頻繁に行われ、コードの理解とメンテナンスを著しく妨げます。 機械学習に基づく手法は、そのようなコミットをより小さく一貫性のある変更セットに'unangle'するように開発されているが、これらの手法は正しいアンハングリングラベルを持つ大規模トレーニングデータを必要とする。 このようなデータセットの準備にはコストがかかり、通常は専門家のラベル付けが必要となる。 本研究では,オープンソースリポジトリのプルリクエスト(PR)から抽出したコミットを活用することにより,データセット構築のためのスケーラブルで費用対効果の高い手法を提案する。 データセットを実証的に検証した結果、フィルタリングルールを適用すると、単一のコミットと見なされるPRは絡み合っているが、機能ブランチへの個々のコミットはアトミック(理想PR)であり、9.5%から55%に増加した。 この複合コミットデータセットは、以前のヒューリスティックベースのデータセットの5.7倍以上である。 新しいデータセットを用いて,提案したルールがCCやSTSのサイズを変える可能性を考慮しても,Herzigの提案したヒューリスティックスを用いて直接構築された以前のデータセットと,PRベースのデータセットは統計的に異なることがわかった。 以前のヒューリスティックスを用いてデータセットを構築する場合、信頼投票者に影響を与える次元によって統計的に異なり、学習ベースのアプローチに影響を与える可能性が高い。 我々は、データセット全体にわたる信頼投票を用いたオリジナルのHerzig \etalメソッドへの影響を検証した。 このアプローチが他の言語に拡張されていることを示すため、実証的に検証したPythonデータセットも作成して、理想的なPR(56.5%)に匹敵するレートを見つけました。

関連論文リスト

• OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
  OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。 ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
  論文  参考訳（メタデータ） (2025-12-16T03:33:24Z)
• AgentExpt: Automating AI Experiment Design with LLM-based Resource Retrieval Agent [36.65355075707938]
  AI研究における重要な応用の1つは、エージェントとベースライン検索による実験設計を自動化することである。 ベースラインおよびデータセットレコメンデーションのための包括的フレームワークを提案する。 我々は、正確な相互作用連鎖を構築して明確な推論連鎖を構築し、解釈可能な正当化を生成するために大きな言語モデルを微調整する推論強化リランカを開発する。
  論文  参考訳（メタデータ） (2025-11-07T01:51:56Z)
• Data Retrieval with Importance Weights for Few-Shot Imitation Learning [31.8638426686593]
  本稿では,重要度を推定するIWR(Importance Weighted Retrieval)を導入する。 IWRは、わずかな修正しか必要とせず、既存の検索ベースの手法の性能を一貫して改善する。
  論文  参考訳（メタデータ） (2025-09-01T17:58:41Z)
• Hey, That's My Data! Label-Only Dataset Inference in Large Language Models [63.35066172530291]
  CatShiftはラベルのみのデータセット推論フレームワークである。 LLMは、新しいデータに晒されたとき、学習した知識を上書きする傾向にある。
  論文  参考訳（メタデータ） (2025-06-06T13:02:59Z)
• CLIMB: CLustering-based Iterative Data Mixture Bootstrapping for Language Model Pre-training [63.07024608399447]
  本稿では,事前学習環境でデータ混合物を発見し,評価し,精製する自動フレームワークを提案する。 ClimbLabは、20のクラスタを研究用グラウンドとして、フィルタされた1.2トリリオントーケンコーパスであり、ClimbMixはコンパクトだが強力な400ビリオントーケンデータセットである。
  論文  参考訳（メタデータ） (2025-04-17T17:58:13Z)
• PEAKS: Selecting Key Training Examples Incrementally via Prediction Error Anchored by Kernel Similarity [6.6157730528755065]
  インクリメンタルデータ選択(IDS)問題では,サンプルが連続的なストリームとして到着し,完全なデータソースにアクセスせずに選択する必要がある。 IDSに適した効率的なデータ選択法であるPEAKSを提案する。 PEAKSが既存の選択戦略を一貫して上回ることを示す総合評価を行った。
  論文  参考訳（メタデータ） (2025-04-07T16:42:09Z)
• CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
  大規模音声データセットは貴重な知的財産となった。 本稿では,新しいデータセットのオーナシップ検証手法を提案する。 我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。 我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2025-03-02T02:02:57Z)
• DUPRE: Data Utility Prediction for Efficient Data Valuation [49.60564885180563]
  Data Shapleyのような協調ゲーム理論に基づくデータ評価では、データユーティリティを評価し、複数のデータサブセットに対してMLモデルを再トレーニングする必要がある。 我々のフレームワークである textttDUPRE は、モデル再学習による評価ではなく、データユーティリティを予測することによって、サブセット評価当たりのコストを削減できる代替手法を採用しています。 具体的には、いくつかのデータサブセットのデータユーティリティを評価すると、textttDUPREは、他のすべてのデータサブセットの有用性を予測するために、emphGaussianプロセス(GP)回帰モデルに適合する。
  論文  参考訳（メタデータ） (2025-02-22T08:53:39Z)
• Swift Cross-Dataset Pruning: Enhancing Fine-Tuning Efficiency in Natural Language Understanding [2.379669478864599]
  現在の微調整のためのクロスデータセットプルーニング技術は、しばしば計算に高価なサンプルランキングプロセスに依存している。 我々は,TF-IDF埋め込みと幾何中央値を用いたSwift Cross-Dataset Pruning (SCDP)を提案する。 6つの多様なデータセットに対する実験結果から,様々なタスクやスケールにまたがる手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-01-05T03:52:04Z)
• Going beyond research datasets: Novel intent discovery in the industry setting [60.90117614762879]
  本稿では,大規模なeコマースプラットフォームに展開する意図発見パイプラインを改善する手法を提案する。 ドメイン内データに基づく事前学習型言語モデルの利点を示す。 また,クラスタリングタスクの微調整中に,実生活データセットの会話構造(質問と回答)を利用するための最善の方法も考案した。
  論文  参考訳（メタデータ） (2023-05-09T14:21:29Z)
• Generating Data to Mitigate Spurious Correlations in Natural Language Inference Datasets [27.562256973255728]
  自然言語処理モデルはしばしば、タスクに依存しない特徴とデータセットのラベルの間の急激な相関を利用して、トレーニング対象のディストリビューション内でのみうまく機能する。 そこで本研究では, 脱バイアス化したデータセットを生成して, 脱バイアス化したオフザシェルフモデルをトレーニングする手法を提案する。 提案手法は,1)高品質なラベル一貫性のあるデータサンプルを生成するためのデータジェネレータの訓練方法,2)素粒子相関に寄与するデータ点を除去するフィルタリング機構から構成される。
  論文  参考訳（メタデータ） (2022-03-24T09:08:05Z)

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。