論文の概要: ConFL: Explainable Concurrent Fault Localization via Hierarchy-Guided LLM Reasoning

• arxiv url: http://arxiv.org/abs/2608.02974v1
• Date: Tue, 04 Aug 2026 00:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 07:04:20.683755
• Title: ConFL: Explainable Concurrent Fault Localization via Hierarchy-Guided LLM Reasoning
• Title（参考訳）: ConFL: 階層型LLM推論による説明可能な並行障害位置決め
• Abstract要約: ConFLは、説明可能な同時障害ローカライゼーションフレームワークである。 インタラクションレベルのDSLは、共有リソース上のスレッド間のインタラクションを明示的にエンコードします。 8つの大規模Javaプロジェクトによる実世界の同時バグの実験は、ConFLが最先端のIRベースとLLMベースのベースラインを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 4.998355751482285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Localizing concurrent bugs from bug reports alone is challenging due to incomplete information, misleading program-entity mentions, and complex cross-thread interactions, causing existing LLM-based approaches to suffer from unstable reasoning and limited explainability. We propose ConFL, an explainable concurrent fault localization framework that augments LLM reasoning with structured concurrency knowledge. ConFL constructs a Concurrent Knowledge Base (CKB) from source code and performs LLM-guided hierarchical retrieval to progressively narrow the search space from components to interaction-level concurrency contexts. An interaction-level DSL explicitly encodes cross-thread interactions over shared resources, enabling focused reasoning without traversing deep call chains. Experiments on real-world concurrent bugs from eight large-scale Java projects show that ConFL significantly outperforms state-of-the-art IR-based and LLM-based baselines, achieving an MRR of 0.503 and a MAP of 0.486, while remaining robust to noisy bug reports, unseen bugs, and different LLM backbones.
• Abstract（参考訳）: バグレポートのみからの同時バグのローカライズは、不完全な情報、プログラムへの不完全さの言及、複雑なスレッド間相互作用によって困難であり、既存のLCMベースのアプローチは不安定な推論と限定的な説明可能性に悩まされる。 本稿では,LLM推論を並列処理の構造化知識で拡張する,説明可能な並列障害ローカライゼーションフレームワークであるConFLを提案する。 ConFLはソースコードからコンカレント・ナレッジ・ベース(CKB)を構築し、LLM誘導階層検索を行い、コンポーネントからインタラクションレベルのコンカレント・コンカレント・コンテキストまで、探索空間を徐々に絞り込む。 インタラクションレベルのDSLは、共有リソース上のスレッド間のインタラクションを明示的にエンコードし、深いコールチェーンをトラバースすることなく、集中的な推論を可能にします。 8つの大規模Javaプロジェクトによる実世界の同時バグの実験によると、ConFLは最先端のIRベースとLLMベースベースラインを著しく上回り、MRR0.503とMAP 0.486を達成した。

関連論文リスト

• 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)
• RSF-GLLM: Bridging the Semantic Gap in Multi-Hop Knowledge Graph QA via Recurrent Soft-Flow and Decoupled LLM Generation [26.575922750426543]
  知識グラフに対するマルチホップ質問回答は、重要な課題に直面している。 従来型のレトリビュート読み取りパイプラインは、差別性を損なう。 応答生成から微分可能なグラフ推論を分離するフレームワークであるRCF-GLLMを提案する。
  論文  参考訳（メタデータ） (2026-07-07T17:32:36Z)
• When LLMs Develop Languages: Symbolic Communication for Efficient Multi-Agent Reasoning [85.36421257648294]
  CoT(Chain-of-Thought)は、難しい推論タスクにおいて、大きな言語モデル(LLM)を改善する。 コミュニケーション言語シンボリズムルーティング(R)を提案する。 Rは、それぞれの言語シンボルフレームワークを、コンパクトなシンボル、使用規則、メッセージパス契約を備えた再利用可能なシンボルプロトコルとして扱います。 Rは、標準のCoTと比較してレイテンシ指向のトークンの補完を$3sim 6times$に削減する。
  論文  参考訳（メタデータ） (2026-06-28T12:02:42Z)
• SemLoc: Structured Grounding of Free-Form LLM Reasoning for Fault Localization [6.086377855676357]
  本稿では,構造化セマンティックランタイムに基づくフォールトローカライゼーションフレームワークSemLocを紹介する。 SemLoc on SemFault-250, acorpus of 250 Python program with single semantic faults。
  論文  参考訳（メタデータ） (2026-03-31T00:56:43Z)
• LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
  LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。 提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
  論文  参考訳（メタデータ） (2026-03-02T04:11:18Z)
• LLM-guided Hierarchical Retrieval [54.73080745446999]
  LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。 我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-10-15T07:05:17Z)
• Enhancing LLM-based Fault Localization with a Functionality-Aware Retrieval-Augmented Generation Framework [14.287359838639608]
  FaR-Locは、メソッドレベルの障害ローカライゼーションを強化するフレームワークである。 FaR-Locは、LLM機能抽出、Semantic Retrieval、LLM再ランクの3つの重要なコンポーネントで構成されている。 広く使われているDefects4Jベンチマーク実験により、FaR-Locは最先端のLCMベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-24T20:37:11Z)
• Language Agents Meet Causality -- Bridging LLMs and Causal World Models [50.79984529172807]
  因果表現学習を大規模言語モデルと統合する枠組みを提案する。 このフレームワークは、自然言語表現に関連付けられた因果変数を持つ因果世界モデルを学ぶ。 本研究では,時間的スケールと環境の複雑さを考慮した因果推論と計画課題の枠組みを評価する。
  論文  参考訳（メタデータ） (2024-10-25T18:36:37Z)
• A Multi-Agent Approach to Fault Localization via Graph-Based Retrieval and Reflexion [8.22737389683156]
  従来のフォールトローカライゼーション技術は、広範なトレーニングデータセットと高い計算資源を必要とする。 大規模言語モデル(LLM)の最近の進歩は、コード理解と推論を強化することで、新たな機会を提供する。 LLM4FLは3つの特殊なLLMエージェントを利用するマルチエージェントの故障局所化フレームワークである。 14のJavaプロジェクトから675の障害を含むDefects4Jベンチマークで評価され、LLM4FLはAutoFLよりも18.55%、SoapFLより4.82%、Top-1の精度が18.55%向上した。
  論文  参考訳（メタデータ） (2024-09-20T16:47:34Z)
• Beyond Numeric Rewards: In-Context Dueling Bandits with LLM Agents [25.825941077332182]
  In-Context Reinforcement Learning(ICRL)は、基盤モデル時代の強化学習(RL)問題を解決するフロンティアパラダイムである。 本稿では,Large Language Models (LLMs) が,Dueling Bandits (DB) 問題の下で ICRL を実現するためにクロスドメインを一般化できるかどうかを検討する。 LEADは従来のDBアルゴリズムから受け継がれた理論的保証を持つことを示す。
  論文  参考訳（メタデータ） (2024-07-02T02:18:14Z)
• CausalBench: A Comprehensive Benchmark for Causal Learning Capability of LLMs [27.362012903540492]
  因果関係を理解する能力は、大言語モデル(LLM)の出力説明と反実的推論の能力に大きな影響を及ぼす。 因果関係を理解する能力は、大言語モデル(LLM)の出力説明と反実的推論の能力に大きな影響を及ぼす。
  論文  参考訳（メタデータ） (2024-04-09T14:40:08Z)
• Assessing the Reliability of Large Language Model Knowledge [78.38870272050106]
  大規模言語モデル(LLM)は、知識探索タスクにおける高い性能のため、知識ベースとして扱われてきた。 LLMが実際に正しい答えを連続的に生成する能力をどのように評価するか。 LLMの信頼性を直接測定するための新しい指標であるMOdel kNowledge relIabiliTy score (MONITOR)を提案する。
  論文  参考訳（メタデータ） (2023-10-15T12:40:30Z)

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。