論文の概要: RepairFormer: Automated Repair of Structured Inputs Using Transformers

• arxiv url: http://arxiv.org/abs/2608.05060v1
• Date: Wed, 05 Aug 2026 17:08:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:44.038758
• Title: RepairFormer: Automated Repair of Structured Inputs Using Transformers
• Title（参考訳）: repairFormer: トランスを用いた構造化入力の自動修復
• Authors: Ovi Paul, Tom J King, Ali Shokri,
• Abstract要約: 本稿では、構造化された入力修復のための変換器ベースのフレームワークであるReleaseFormerを提案する。 この手法は、修復を教師付きシーケンス生成タスクとして定式化し、フォーマットタグ、オラクル検証、境界局所化された修復を使用して、有効な出力を生成する。 評価では,修復の88%,回復の94%を達成し,修復が成功した場合に最も強い内容保存を示す。
• 参考スコア（独自算出の注目度）: 0.669087470775851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structured input files such as JSON, DOT, OBJ, INI, S-expression, and TinyC are widely used in software systems, but small corruptions can cause parsers to reject otherwise useful data. Repairing such inputs is important because malformed configuration, program, and data files can interrupt testing, analysis, deployment, and downstream automation even when most of the original content remains intact. Existing repair techniques can produce structurally valid inputs, but they often rely on deletion or repeated search, which may lose original content and result in semantic incorrectness. This paper presents RepairFormer, a transformer-based framework for structured input repair. The approach formulates repair as a supervised sequence generation task and uses format tags, oracle validation, and boundary-localized repair to generate valid outputs while preserving content. The boundary workflow focuses generation on the detected fault region, reducing the input size, and supporting repair of longer files. In evaluation, RepairFormer achieves a 88% in repair and 94% in recovery, showing strongest content preservation when repairs are successful. Additional experiments on our benchmark shows RepairFormer repairs 97.57% and recovers 94.29% with 5x faster runtime compared to state of the art.
• Abstract（参考訳）: JSON、DOT、OBJ、INI、S-expression、TinyCのような構造化された入力ファイルは、ソフトウェアシステムで広く使われているが、小さな破損は、パーサーが他の有用なデータを拒否する原因となる可能性がある。 このようなインプットの修復は、不正な構成、プログラム、データファイルがテスト、分析、デプロイ、下流の自動化を中断する可能性があるため重要である。 既存の修復技術は構造的に有効な入力を生成することができるが、しばしば削除や繰り返し検索に依存しており、元の内容が失われ、意味的な誤りが生じることがある。 本稿では、構造化された入力修復のための変換器ベースのフレームワークであるReleaseFormerを提案する。 この手法は、教師付きシーケンス生成タスクとして修復を定式化し、フォーマットタグ、オラクル検証、境界局所化された修復を使用して、コンテンツを保持しながら有効な出力を生成する。 境界ワークフローは検出された障害領域の生成に焦点を当て、入力サイズを削減し、長いファイルの修復をサポートする。 評価では,修復の88%,回復の94%を達成し,修復が成功した場合に最も強い内容保存を示す。 ベンチマークのさらなる実験では、RepureFormerは97.57%の修正を行い、5倍高速なランタイムで94.29%のリカバリを行っている。

関連論文リスト

• Beyond Fail-to-Pass: Iterative Hardening of Co-Generated Bug Reproduction Tests and Fixes [55.114939648705395]
  大規模言語モデル(LLM)は、現実のバグに対して、プログラムの自動修正をますます実用的にしている。 バグ再現テスト(BRT)は、バグレポートを実行可能なバグ固有の信号に変換することで、このギャップを埋めるのに役立つ。 本稿では,ループ内収束基準としてLax信号を用いるコジェネレーションフレームワークであるCoHardenを提案する。
  論文  参考訳（メタデータ） (2026-07-22T07:30:07Z)
• One Rewrite to Fix Them All? Type-Aware Repair Allocation for Text-to-Image Prompt Optimization [59.164665622252016]
  テキスト・トゥ・イメージ(T2I)ジェネレータは、間違ったカウント、スワップされた属性、あいまいな関係、不可解なテキストを生成し、そのプロンプトに忠実に従わないことが多い。 Prompt最適化は、ユーザプロンプトを書き換えて、ジェネレータの再トレーニングを必要としないことで、このような障害を修復する。 失敗する各命題は、結果のローカル制約が1つの実行可能なプロンプトにコンパイルされる前に、タイプ条件の修復演算子にルーティングされる。
  論文  参考訳（メタデータ） (2026-07-21T05:31:43Z)
• DepRepair: LLM-Based Source-Code Repair for Dependency Breaking Changes [26.444574129479463]
  DepRepairは、3つのコンポーネントで構築された上流の証拠を修復する単一コールLLMアプローチである。 GPT-5.5で89.5%、Claude Opus 4.6で82.1%となる。
  論文  参考訳（メタデータ） (2026-07-20T13:58:13Z)
• MemRepair: Hierarchical Memory for Agentic Repository-Level Vulnerability Repair [10.709112246848058]
  現代のソフトウェアエコシステムは、公表された脆弱性の急増に直面している。 既存のシステムのほとんどは、脆弱性の修復を、現在見えるコードコンテキストの単一生成ステップとして扱う。 本稿では、メモリ拡張されたエージェントフレームワークであるMemRepairを紹介し、脆弱性修復を反復的、経験駆動的なプロセスとして定式化する。
  論文  参考訳（メタデータ） (2026-05-17T13:29:46Z)
• MEMOREPAIR: Barrier-First Cascade Repair in Agentic Memory [6.860488391361694]
  エージェント記憶のためのバリアファーストカスケード修復契約を提示する。 修理イベントは、無効化された子孫状態から検証された後継者状態への制御された遷移を誘導する。 本研究では, 発刊問題を最大重み付き前者閉鎖に還元し, 単一のs-t min-cutで正確に解けることを示す。
  論文  参考訳（メタデータ） (2026-05-08T04:57:29Z)
• QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization [50.722636027998]
  大規模言語モデル (LLM) はプログラム修復性能が高いが、しばしば過剰な編集に悩まされる。 オーバー編集を軽減し,修復精度を向上させるフレームワークであるPRepairを提案する。
  論文  参考訳（メタデータ） (2026-04-07T14:56:38Z)
• Detect--Repair--Verify for LLM-Generated Code: A Multi-Language, Multi-Granularity Empirical Study [10.18490328199727]
  大規模な言語モデルは実行可能なソフトウェアアーチファクトを生成することができるが、そのセキュリティはエンドツーエンドの評価が難しいままである。 本研究では、脆弱性を検出し、修復し、セキュリティおよび機能テストで再チェックするDRVワークフローを通じて、その問題を調査する。 現在の証拠の4つのギャップに対処する: LLMの生成したアーティファクトの試験的なベンチマークの欠如、パイプラインレベルの有効性に関する限られた証拠、修正ガイダンスとしての検出レポートの不確実な信頼性、検証中の不確実な修復信頼性。
  論文  参考訳（メタデータ） (2026-03-24T18:18:30Z)
• Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
  本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。 プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。 また, GPT-4o miniが74.18%と高い修理成功率を示した。
  論文  参考訳（メタデータ） (2025-07-04T15:36:12Z)
• On The Effectiveness of Dynamic Reduction Techniques in Automated Program Repair [1.7767466724342067]
  本稿では,大規模バグ修正プログラムを効果的に処理するプログラム修復フレームワークについて述べる。 このフレームワークは、プログラムスライシングの形式でプログラムの削減を利用して、修正中のバグとは無関係にコードの一部を除去する。 広く使用されているDefects4Jデータセットに対する実験結果から,修復品質の劣化を伴わずに,大幅な性能向上が達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-23T21:35:07Z)

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。