論文の概要: EffiHolmes: Differential Profiling-Guided Repository Level Time Inefficiency Fix Localization
- arxiv url: http://arxiv.org/abs/2608.03558v1
- Date: Tue, 04 Aug 2026 12:26:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.720682
- Title: EffiHolmes: Differential Profiling-Guided Repository Level Time Inefficiency Fix Localization
- Title（参考訳）: EffiHolmes:differial Profiling-Guided Repository Level Infficency Fix Localization
- Abstract要約: EffiHolmesは、リポジトリレベルの時間的非効率な修正ローカライゼーションのためのLLMベースのフレームワークである。
また、リポジトリレベルの非効率なローカライゼーションのための最初のベンチマークであるRepoEffi-Benchを紹介します。
- 参考スコア（独自算出の注目度）: 5.969241365317043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large software systems often suffer from time inefficiencies that cause excessive execution time despite functional correctness. Localizing their fix locations is difficult because, unlike functional bugs, they produce neither test failures nor stack-trace clues, making traditional and recent LLM-based fault localization methods unsuitable. Runtime profiling provides alternative evidence but faces three challenges in repository-level settings: single-run profiling cannot reliably distinguish inefficiency hotspots from execution noise; existing profilers struggle to extract relevant execution paths from extensive background execution; and a semantic gap remains between observed hotspots and actual fix locations. We propose EffiHolmes, an LLM-based framework for repository-level time inefficiency fix localization. EffiHolmes uses differential profiling under default and scaled workloads to identify inefficiency hotspots, extracts compact execution paths connecting these hotspots to the reported inefficient function, and employs domain-guided LLM reasoning to locate the underlying inefficiency logic. We also introduce RepoEffi-Bench, the first benchmark for repository-level inefficiency localization, containing 140 high-quality issues collected from popular Python repositories. Experiments show that EffiHolmes consistently outperforms state-of-the-art retrieval-, agent-, and profiling-based baselines, improving file-level Acc@3 by 4.29 percentage points with GPT-5.1 and function-level Acc@5 by 15.00 percentage points with qwen3-4b. It also remains robust across model capacities.
- Abstract（参考訳）: 大規模なソフトウェアシステムは、機能的正確性にもかかわらず過剰な実行時間を引き起こす時間的不効率に悩まされることが多い。
機能的なバグとは異なり、彼らはテストの失敗もスタックトレースの手がかりも生成しないため、従来のLLMベースの障害ローカライゼーションメソッドが適さないため、修正位置のローカライズは難しい。
単一実行のプロファイリングでは、実行時のノイズから非効率なホットスポットを確実に区別することができず、既存のプロファイラは、広範なバックグラウンド実行から関連する実行パスを抽出するのに苦労している。
EffiHolmesは、リポジトリレベルの時間的非効率な修正ローカライゼーションのためのLLMベースのフレームワークである。
EffiHolmesは、デフォルトでの差分プロファイリングとスケールされたワークロードを使用して、非効率なホットスポットを特定し、これらのホットスポットを報告された非効率関数に接続するコンパクトな実行パスを抽出し、基礎となる非効率ロジックを見つけるためにドメインガイダンスのLLM推論を採用する。
また、リポジトリレベルの非効率なローカライズのための最初のベンチマークであるRepoEffi-Benchを紹介します。
実験によると、EffiHolmesは最先端の検索、エージェント、プロファイリングベースのベースラインを一貫して上回り、ファイルレベルのAcc@3をGPT-5.1で4.29ポイント、関数レベルのAcc@5をqwen3-4bで15.00ポイント改善している。
また、モデルキャパシティにわたって頑丈である。
関連論文リスト
- Region Matters: Efficient and Reliable Region-Aware Visual Place Recognition [46.97190804063947]
本稿では,ロバストな識別領域モデリングと適応的再ランク付けを組み合わせたFoL++を提案する。
FoL++は、軽量なメモリフットプリントで最先端のパフォーマンスを実現し、FoLよりも推論速度を40%向上させる。
論文 参考訳（メタデータ） (2026-04-24T09:28:35Z) - AdaExplore: Failure-Driven Adaptation and Diversity-Preserving Search for Efficient Kernel Generation [59.964989458924585]
AdaExploreは、パフォーマンスクリティカルなカーネルコード生成のための蓄積された実行フィードバックによる自己改善を可能にするエージェントフレームワークである。
適応段階では、エージェントはタスクを合成し、繰り返し発生する障害を有効ルールの再利用可能なメモリに変換する。
探索段階では、候補核を木として整理し、小さな局所精製とより大きな構造再生を交互に行う。
論文 参考訳（メタデータ） (2026-04-17T18:25:03Z) - TRACE: Evaluating Execution Efficiency of LLM-Based Code Translation [15.051178553018746]
大規模言語モデル(LLM)の効率性を明確に評価する最初のベンチマークである textbftextsctrace を提案する。
textsctraceには、C++、Java、Pythonにまたがる1,000の効率クリティカルなタスクが含まれている。
本研究は,効率をコード翻訳の必須次元として確立し,テキストスクラスを効率指向評価の基礎として位置づけた。
論文 参考訳（メタデータ） (2026-03-17T13:05:54Z) - Rethinking VLMs for Image Forgery Detection and Localization [55.32700985102152]
本稿では,視覚言語モデル(VLM)をフル活用して画像偽造検出・局所化(IFDL)タスクを支援する方法について検討する。
これらの知見に基づいて,IFDL-VLMと呼ばれる新しいIFDLパイプラインを提案する。
実験結果から, 検出, 局所化, 解釈可能性において, 常に新しい最先端性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2026-03-13T12:21:31Z) - Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。
テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。
そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
論文 参考訳（メタデータ） (2026-02-02T09:14:51Z) - Asymmetric Proximal Policy Optimization: mini-critics boost LLM reasoning [49.57517969069136]
Asymmetric Proximal Policy Optimization (AsyPPO) は、大規模なモデル設定で効率を保ちながら、批評家の役割を回復するシンプルでスケーラブルなフレームワークである。
AsyPPOは軽量のミニ批評家を採用しており、それぞれが切り離されたプロンプトシャードで訓練されている。
強力なベースラインを越えて、複数のベンチマークで学習の安定性とパフォーマンスを継続的に改善する。
論文 参考訳（メタデータ） (2025-10-02T04:24:27Z) - Extracting Conceptual Knowledge to Locate Software Issues [12.746044344302623]
RepoLensは、コードリポジトリの概念的知識を抽象化し、活用する新しいアプローチである。
概念知識をリポジトリ全体の知識ベースに抽出するオフラインステージと、問題固有の用語を検索するオンラインステージである。
RepoLensは3つの最先端ツールを継続的に改善し、Hit@kでは平均22%、ファイルレベルのローカライゼーションではRecall@kでは46%を達成している。
論文 参考訳（メタデータ） (2025-09-25T11:53:06Z) - SweRank: Software Issue Localization with Code Ranking [109.3289316191729]
SweRankは、ソフトウェア問題ローカライゼーションのための効率的な検索と参照のためのフレームワークである。
パブリックなGitHubリポジトリからキュレートされた大規模なデータセットであるSweLocを構築します。
SweRankは最先端の性能を達成し、従来のランキングモデルとコストの高いエージェントベースシステムの両方より優れていることを示す。
論文 参考訳（メタデータ） (2025-05-07T19:44:09Z) - Where's the Bug? Attention Probing for Scalable Fault Localization [18.699014321422023]
本稿では, 直接的位置付けラベルを使わずに, 最先端の故障位置付けを学習するBug Attention Probe(BAP)を提案する。
BAPは計算コストのごく一部で大きなオープンウェイトモデルよりもはるかに効率的である。
論文 参考訳（メタデータ） (2025-02-19T18:59:32Z) - POPoS: Improving Efficient and Robust Facial Landmark Detection with Parallel Optimal Position Search [34.50794776762681]
本稿では,高精度符号化・復号化フレームワークであるParallel Optimal Position Search (POPoS)を紹介する。
Pseudo-range multilaterationは、ヒートマップエラーの修正に使われ、ランドマークのローカライゼーション精度が向上する。
1ステップの並列計算アルゴリズムを導入し、計算効率を高め、処理時間を短縮する。
論文 参考訳（メタデータ） (2024-10-12T16:28:40Z) - Local positional graphs and attentive local features for a data and runtime-efficient hierarchical place recognition pipeline [11.099588962062937]
本稿では,既存のアプローチを拡張し,新しいアイデアを提示する,ランタイムとデータ効率のよい階層型VPRパイプラインを提案する。
まず,ローカル画像の特徴の空間的コンテキスト情報を符号化する学習不要かつ実行効率のよいアプローチであるローカル位置グラフ(LPG)を提案する。
第2に,アテンタティブ・ローカルSPED(Attentive Local SPED)について述べる。
第3に,超次元計算を利用した階層型パイプラインを提案し,高速な候補選択と候補再評価のために,全体的HDC記述子と同じ局所的特徴を利用する。
論文 参考訳（メタデータ） (2024-03-15T13:26:39Z)
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。