論文の概要: Effective and Efficient Context Retrieval via Partial Dependency Graph for Repository-Level Code Generation

• arxiv url: http://arxiv.org/abs/2608.01927v1
• Date: Mon, 03 Aug 2026 09:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.421943
• Title: Effective and Efficient Context Retrieval via Partial Dependency Graph for Repository-Level Code Generation
• Title（参考訳）: レポジトリレベルコード生成のための部分依存グラフによる有効かつ効率的なコンテキスト検索
• Abstract要約: 部分依存グラフを用いた効率的なコンテキスト検索手法であるDyRetrieverを提案する。 我々はDyRetrieverを類似性ベースのコードレトリバーと統合し、DyCoderを構築し、CoderEvalとDevEvalで評価する。
• 参考スコア（独自算出の注目度）: 8.490743624223972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based repository-level code generation aims to generate code using the context available in a software repository, requiring LLMs to reason over complex code dependencies. Due to limited context windows and insufficient repository-specific understanding, LLMs typically rely on retrieval-augmented generation (RAG) to incorporate relevant code. Early RAG approaches primarily employ similarity-based retrieval, which often fails to retrieve code snippets that the target function depends on. Recent work introduces graph-based retrieval to model such dependencies, but typically relies on manually designed rules and static global graphs, leading to limited flexibility and high construction and maintenance costs. In contrast, human developers collect helpful context by implicitly constructing a partial dependency graph and iteratively inspecting along it. Inspired by this behavior, we propose DyRetriever, an efficient context retrieval method via partial dependency graphs. DyRetriever uses an LLM to first select a set of entry-point functions and then perform multi-hop reasoning along the code dependency graph. During multi-hop reasoning, it uses the LLM's semantic understanding to validate whether a function can help generate the target function, eliminating manually designed rules and enabling flexibility across scenarios. Instead of statically constructing a global dependency graph, DyRetriever builds a partial graph on demand and discards it after use, reducing construction and maintenance costs. We integrate DyRetriever with a similarity-based code retriever to build DyCoder and evaluate it on CoderEval and DevEval. Experimental results show that DyCoder achieves relative Pass@1 improvements of 25.63% and 59.73% on CoderEval and DevEval, respectively, compared with existing RAG-based methods, while being 7.4x faster than baselines based on static dependency graph construction.
• Abstract（参考訳）: LLMベースのリポジトリレベルのコード生成は、ソフトウェアリポジトリで利用可能なコンテキストを使用してコードを生成することを目的としている。 限られたコンテキストウィンドウとリポジトリ固有の理解が不十分なため、LLMは通常、関連するコードを統合するために検索拡張生成(RAG)に依存している。 初期のRAGアプローチは主に類似性に基づく検索を採用しており、ターゲット関数が依存するコードスニペットの検索に失敗することが多い。 最近の研究は、そのような依存関係をモデル化するためにグラフベースの検索を導入しているが、通常は手動で設計されたルールと静的なグローバルグラフに依存しており、柔軟性と高い構築とメンテナンスコストが制限される。 対照的に、人間の開発者は、部分依存グラフを暗黙的に構築し、それに沿って反復的に検査することで、有用なコンテキストを収集します。 この振る舞いにインスパイアされたDyRetrieverは、部分依存グラフによる効率的なコンテキスト検索手法である。 DyRetrieverはLLMを使用して、最初にエントリポイント関数のセットを選択し、コード依存グラフに沿ってマルチホップ推論を実行する。 マルチホップ推論では、LLMのセマンティック理解を使用して、関数がターゲット関数の生成に役立つかどうかを検証し、手動で設計したルールを排除し、シナリオ間の柔軟性を実現する。 グローバルな依存性グラフを静的に構築する代わりに、DyRetrieverは需要部分グラフを構築し、使用後に破棄し、建設コストとメンテナンスコストを削減します。 我々はDyRetrieverを類似性ベースのコードレトリバーと統合し、DyCoderを構築し、CoderEvalとDevEvalで評価する。 実験の結果、DyCoderは、既存のRAGベースの手法と比較して、CoderEvalとDevEvalでそれぞれ25.63%と59.73%の相対的なPass@1改善を実現し、静的依存グラフ構築に基づくベースラインよりも7.4倍高速であることがわかった。

関連論文リスト

• Beyond Repository Boundaries: Cross-Repository Graph Retrieval for Code Generation [15.95046921483187]
  CrossCoderはクロスリポジトリのコード生成フレームワークで、外部ライブラリを検索コンテキストに明示的に組み込む。 CrossCoderは機能的正確性(pass@1で最大6.3%)と依存性の変換に対する堅牢性の両方を一貫して改善している。
  論文  参考訳（メタデータ） (2026-09-09T10:14:14Z)
• RepoReasoner: Evaluating Repository-Level Code Reasoning Ability of Long-Context Language Models [54.53236295237077]
  リポジトリレベルのコード推論を評価するベンチマークであるRepoReasonerを紹介します。 出力予測は、ファイル間でのきめ細かいステートフルな実行推論を計測します。 Call Chain Predictionは、ノイズの多いコンテキスト下での高レベルのアーキテクチャ依存性の理解を評価する。
  論文  参考訳（メタデータ） (2026-07-28T17:12:41Z)
• Do Not Treat Code as Natural Language: Implications for Repository-Level Code Generation and Beyond [13.550121154853715]
  自然言語ではなく構造化コードとしてコードを扱う,リポジトリレベルのコード生成フレームワークであるHydraを紹介します。 我々はHydraがオープンソースおよびクローズドソースのCodeLLMにまたがって最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2026-02-12T07:44:00Z)
• AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion [55.21541958868449]
  リポジトリレベルのコード補完フレームワークであるAlignCoderを提案する。 我々のフレームワークは、初期クエリとターゲットコードのセマンティックギャップを橋渡しする拡張クエリを生成する。 我々は、拡張クエリにおける推論情報を活用してより正確な検索を行うAlignRetrieverのトレーニングに強化学習を採用する。
  論文  参考訳（メタデータ） (2026-01-27T15:23:14Z)
• In Line with Context: Repository-Level Code Generation via Context Inlining [11.065371614078723]
  本稿では,リポジトリレベルのコード生成のための新しいフレームワークであるInlineCoderを紹介する。 InlineCoderは、未完成の関数をコールグラフにインライン化することで、リポジトリコンテキストの理解を強化する。
  論文  参考訳（メタデータ） (2026-01-01T15:56:24Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
  本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。 まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。 次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
  論文  参考訳（メタデータ） (2025-08-05T12:28:23Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• CodeRAG: Supportive Code Retrieval on Bigraph for Real-World Code Generation [69.684886175768]
  大規模言語モデル(LLM)は、自動コード生成において有望なパフォーマンスを示している。 本稿では,検索拡張コード生成フレームワークであるCodeRAGを提案する。 実験によると、CodeRAGはRAGのシナリオと比較して大幅に改善されている。
  論文  参考訳（メタデータ） (2025-04-14T09:51:23Z)
• CodexGraph: Bridging Large Language Models and Code Repositories via Code Graph Databases [13.733229886643041]
  大きな言語モデル(LLM)は、HumanEvalやMBPPのようなスタンドアロンのコードタスクに優れていますが、コードリポジトリ全体の処理に苦労しています。 類似性に基づく検索は複雑なタスクではリコールが低いことが多いが、手動ツールやAPIは通常タスク固有であり、専門家の知識を必要とする。 我々は,LLMエージェントをコードリポジトリから抽出したグラフデータベースインターフェースと統合するシステムであるCodexGraphを紹介する。
  論文  参考訳（メタデータ） (2024-08-07T17:13:59Z)
• GraphCoder: Enhancing Repository-Level Code Completion via Code Context Graph-based Retrieval and Language Model [30.625128161499195]
  GraphCoderは検索拡張コード補完フレームワークである。 一般的なコード知識と、グラフベースの検索生成プロセスを通じてリポジトリ固有の知識を使用する。 コードマッチでは+6.06、識別子マッチでは+6.23となり、時間と空間は少ない。
  論文  参考訳（メタデータ） (2024-06-11T06:55:32Z)

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。