論文の概要: AgenTag: Attribution of AI Coding Agents from Behavioral Fingerprints
- arxiv url: http://arxiv.org/abs/2608.00966v1
- Date: Sun, 02 Aug 2026 03:35:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.038279
- Title: AgenTag: Attribution of AI Coding Agents from Behavioral Fingerprints
- Title（参考訳）: AgenTag: 行動指紋からのAIコーディングエージェントの寄与
- Abstract要約: 我々は,AIDevで評価された,オープンワールドAIコーディングエージェント属性のためのフレームワークであるAgenTagを提案する。
従来の分類と教師付きコントラスト学習を比較し, テキスト, 行動, コードに基づくモダリティを用いて各PRを表現した。
PR記述やコミットメッセージが帰属シグナルのほぼ全てを提供するのに対して,コード差分は複数の表現にはほとんど寄与しないことを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI coding agents increasingly author pull requests (PRs), often under developers' own accounts, obscuring who actually produced a change. Reliable attribution is important for repository governance, empirical studies of AI-assisted software development, and measuring the impact of AI coding agents. Existing work focuses on closed-set identification of known agents, leaving the practical limits of open-world AI coding agent attribution largely unexplored. In this paper, we present AgenTag, a multimodal framework for open-world AI coding agent attribution, evaluated on AIDev, comprising 33,580 PRs from five AI coding agents and 6,618 human-authored PRs. We represent each PR using textual, behavioral, and code-based modalities, and compare conventional classification with supervised contrastive learning for open-set recognition and few-shot enrollment of previously unseen agents. AgenTag identifies authoring agents with a weighted F1 of 0.96 (macro F1 of 0.84), distinguishes AI- from human-authored PRs with a balanced F1 of 0.89, and detects previously unseen agents with an AUC of 0.84. We further show that PR descriptions and commit messages provide nearly all of the attribution signal, whereas code diffs contribute little across multiple representations, indicating that coding agents are distinguished primarily by how they communicate changes rather than by the code they generate. Moreover, these behavioral fingerprints persist after removing explicit self-disclosed markers, demonstrating that attribution relies largely on latent stylistic characteristics. These findings show that reliable attribution of AI coding agents is feasible and clarify the practical trade-offs between attribution accuracy and the information required to achieve it.
- Abstract（参考訳）: AIコーディングエージェントは、しばしば開発者自身のアカウントの下でプルリクエスト(PR)を記述し、誰が実際に変更を作成したのかを隠蔽する。
信頼性の高い属性は、リポジトリガバナンス、AI支援ソフトウェア開発の実験的研究、AIコーディングエージェントの影響の測定に重要である。
既存の研究は、既知のエージェントのクローズド・セットの識別に重点を置いており、オープンソースのAIコーディングエージェントの属性の実践的限界は、ほとんど探索されていない。
本稿では,5つのAIコーディングエージェントから33,580個のPRと6,618個の人間によるPRからなる,オープンワールドAIコーディングエージェントアトリビューションのためのマルチモーダルフレームワークであるAgenTagを提案する。
我々は,テキスト,行動,コードに基づくモーダル性を用いて各PRを表現し,従来の分類と教師付きコントラスト学習との比較を行った。
AgenTagは、重み付きF1のオーサリングエージェント(0.96のマクロF1と0.89のバランス付きF1のAIとを区別し、AUCが0.84の未確認エージェントを検出する。
さらに、PR記述やコミットメッセージが属性信号のほとんど全てを提供するのに対して、コード差分は複数の表現にはほとんど寄与せず、符号化エージェントは、生成したコードではなく、どのように変化を伝達するかによって区別されていることを示す。
さらに、これらの行動指紋は明示的な自己開示マーカーを除去した後も持続し、帰属は潜伏した様式的特徴に大きく依存することを示した。
これらの結果から,AI符号化エージェントの信頼性の高い帰属が実現可能であり,帰属精度とそれを実現するために必要な情報とのトレードオフが明確になった。
関連論文リスト
- SWE-chat: Coding Agent Interactions From Real Users in the Wild [70.18158706281724]
SWE-chatは、オープンソースの開発者から収集された実際のコーディングエージェントセッションの大規模なデータセットである。
現在、データセットには6000のセッションが含まれており、63,000以上のユーザプロンプトと355,000のエージェントツールコールが含まれている。
論文 参考訳（メタデータ） (2026-04-22T17:08:19Z) - Why Agentic-PRs Get Rejected: A Comparative Study of Coding Agents [0.0]
本稿では,コーディングエージェント(Agentic-PRs)を用いたプルリクエストが,エージェントとしてラベル付けされていないPR(Human-PRs)よりも少ない頻度で受け入れられていることを示す。
拒否されたPRの多くは明確なフィードバックを欠いているため、拒否理由を決定するのが困難である。
論文 参考訳（メタデータ） (2026-02-04T05:24:18Z) - Why Are AI Agent Involved Pull Requests (Fix-Related) Remain Unmerged? An Empirical Study [5.127121704630949]
AIDEV POPデータセットから広く使用されている5つのAIコーディングエージェントによって作成された8,106の修正関連PRを分析した。
以上の結果から,他のPRによるテストケース障害や,同じ問題に対する事前解決が,非統合の最も一般的な原因であることが示唆された。
論文 参考訳（メタデータ） (2026-01-29T22:06:58Z) - AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。
エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。
本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
論文 参考訳（メタデータ） (2026-01-28T13:49:18Z) - How AI Coding Agents Modify Code: A Large-Scale Study of GitHub Pull Requests [0.0]
24,014個の統合エージェントPR(440,295個のコミット)と5,081個のヒトPR(23,242個のコミット)を分析した。
エージェントPRはコミットカウントにおいてヒューマンPRと大きく異なる(Cliffの$= 0.5429$)。
これらの発見は、AIコーディングエージェントがオープンソース開発にどのように貢献するかを、大規模な経験的評価を提供する。
論文 参考訳（メタデータ） (2026-01-24T20:27:04Z) - Fingerprinting AI Coding Agents on GitHub [0.0]
我々は,5つの主要エージェントからの33,580のプルリクエストを分析し,指紋認証AI符号化エージェントに関する最初の研究を行った。
コミットメッセージ、PR構造、コード特性にまたがる41の機能は、マルチクラスのエージェント識別において97.2%のF1スコアを達成する。
論文 参考訳（メタデータ） (2026-01-24T10:35:43Z) - Security in the Age of AI Teammates: An Empirical Study of Agentic Pull Requests on GitHub [4.409447722044799]
本研究の目的は,自律型コーディングエージェントが実際にソフトウェアセキュリティにどのように貢献するかを特徴付けることである。
AIDevデータセットを用いてエージェントによるPRの大規模解析を行う。
次に、頻度、受け入れ結果を分析し、自律エージェント、プログラミングエコシステム、コード変更のタイプをレビューします。
論文 参考訳（メタデータ） (2026-01-01T21:14:11Z) - Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。
我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。
Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
論文 参考訳（メタデータ） (2025-11-20T05:01:57Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。
我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。
結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
論文 参考訳（メタデータ） (2025-07-10T20:12:54Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z)
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。