論文の概要: Escaping the Self-Repair Trap: Improving Test Oracle Generation via Dual-Context Awareness

• arxiv url: http://arxiv.org/abs/2608.05917v1
• Date: Thu, 06 Aug 2026 11:43:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.895289
• Title: Escaping the Self-Repair Trap: Improving Test Oracle Generation via Dual-Context Awareness
• Title（参考訳）: 自己修復のトラップを逃れる - デュアルコンテキスト認識によるテストOracle生成の改善
• Abstract要約: DCAwareは、マルチラウンド修復よりも高信号対雑音のコンテキストグラウンドを優先する非定型フレームワークである。 DCAウェアは、高い実行成功を維持しながら、フォールトリーベリングの有効性を一貫して向上することを示す。 以上の結果から,反復的な補修複雑性を付加するよりも,文脈品質の向上が有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 4.39623958563083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have shown strong potential for regression-oracle completion, where a test prefix is given and the current program version is treated as expected behavior. Recent approaches increasingly rely on iterative self-repair and execution feedback, but optimizing execution success does not necessarily yield strong fault-revealing oracles. This objective, widely adopted in repair-based methods, serves only as a proxy and may be misaligned with the true goal of oracle generation. Such misalignment biases the repair process, giving rise to a feedback-driven degeneration that we term the Self-Repair Trap, where iterative repair progressively drives models toward assertions that are easier to satisfy but less effective at detecting faults. To address this issue, we propose DCAware, a computationally efficient, non-iterative framework that prioritizes high signal-to-noise contextual grounding over multi-round repair. DCAware integrates structured static context with selectively retrieved dynamic states, enabling precise and robust oracle generation without iterative feedback loops. Extensive experiments based on execution and mutation testing show that DCAware consistently improves fault-revealing effectiveness while maintaining high execution success, outperforming prior methods with substantially lower computational cost. Our results suggest that improving contextual quality is more effective than adding iterative repair complexity in the studied regression-oracle setting.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、テストプレフィックスが与えられ、現在のプログラムバージョンが期待される振る舞いとして扱われる、回帰オーラ補完の強い可能性を示している。 最近のアプローチは、反復的な自己修復と実行のフィードバックにますます依存していますが、実行の成功を最適化することは、必ずしも強力なフォールトリベイリングのオラクルを生み出しません。 この目的は、修復ベースの手法で広く採用されており、プロキシとしてのみ機能し、オラクル生成の真の目標と一致していない可能性がある。 このようなミスアライメントは、修復プロセスに偏りを生じさせ、フィードバック駆動の劣化を引き起こします。それは、反復的な修復が、容易に満足できるが、障害を検出するのにあまり効果がないアサーションに向けて、モデルを段階的に駆動する自己修復トラップ(Self-Repair Trap)と呼ばれるものです。 この問題に対処するために,マルチラウンド修復よりも高信号から雑音までの文脈グラウンドを優先する,計算効率のよい非定性フレームワークであるDCAwareを提案する。 DCAwareは構造化された静的コンテキストを選択的に取得された動的状態と統合し、反復的なフィードバックループなしで正確で堅牢なオラクル生成を可能にする。 実行および突然変異試験に基づく広範囲な実験により、DCAwareは高い実行成功を維持しながら、フォールトリーベリングの有効性を一貫して改善し、計算コストを大幅に低減した先行手法よりも優れた性能を示した。 本研究の結果から, コンテクスト品質の向上は, 回帰オークレ設定において反復的な修復の複雑さを付加するよりも効果的であることが示唆された。

関連論文リスト

• TROVE: Adaptive Agent Skill Orchestration via Trace-Grounded Route Validation and Editing [14.424308190797683]
  検証・編集(TROVE)によるトレーサグラウンドルートオーケストレーションを提案する。 オフライン, TROVE蒸留は, ワークフローのトレースから原子・複合技術, 結果条件遷移グラフまでの評価を行った。 オンラインでは、計画されたルートを暫定的に扱い、1つのトップレベルスキルをコミットした後、コントローラは有効な継続を保持し、トレースサポートされたローカルレスポンスを挿入し、無効な接尾辞のみを置き換える。
  論文  参考訳（メタデータ） (2026-09-04T11:38:13Z)
• CAST: Critique-Aware Supervision for Training Reliable Long-Horizon Tool-Calling Agents [66.9575676266637]
  大規模言語モデル(LLM)エージェントは、長期的、インタラクティブでステートフルな環境にますますデプロイされている。 これらの設定では、間違った購入を返金するなどの1つの間違ったアクションは、不可逆なタスクの失敗を引き起こし、実行前にインターセプトされなければならない。 CASTは、スパースタスクの結果を批判学習と政策最適化のためのアクションレベル監視に変換する、批判に意識したトレーニングフレームワークである。
  論文  参考訳（メタデータ） (2026-08-31T01:59:51Z)
• From Open Loop to Closed Loop: A Test-Time Iterative Optimization Framework for Reference-Consistent Image Generation [108.02425846269234]
  制御可能な画像生成は、視覚的参照条件を組み込むことで、大きな進歩を遂げた。 既存の方法は、主にオープンループシステムとして動作する。 本稿では,閉ループ動的トラッキング問題として参照一貫性生成を再構成する新しいテスト時間反復最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T05:36:30Z)
• CausalFlow: Causal Attribution and Counterfactual Repair for LLM Agent Failures [4.061481215870679]
  フェールエージェントトレースを最小限の偽物修復と再利用可能な監視に変換する介入フレームワークであるCausalFlowを紹介した。 CaulFlowは、最小限の振る舞いドリフトで障害から回復するターゲットテスト時修復と、オフラインの優先度最適化や報酬モデリングに適したトレーニング時間監視の2つの補完的な使用をサポートする。
  論文  参考訳（メタデータ） (2026-05-25T01:47:01Z)
• Learning from Failures: Correction-Oriented Policy Optimization with Verifiable Rewards [73.44333771806282]
  RLVR(Reinforcement Learning with Verifiable Rewards)は,大規模言語モデルの推論能力向上に有効なパラダイムとして登場した。 本稿では,RLVRの簡易かつ効果的な拡張であるCIPO(Correction-Oriented Policy Optimization)を提案する。 CIPOは学習効率を向上し、モデルが自身のエラーを修正する能力を明示的に強化する。
  論文  参考訳（メタデータ） (2026-05-14T08:22:21Z)
• 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)
• ACE: Self-Evolving LLM Coding Framework via Adversarial Unit Test Generation and Preference Optimization [28.464748466548965]
  ACEは、ソルバ・アドバイザリーアーキテクチャに基づく自己進化型コード生成フレームワークである。 実行中心の監視を通じて、アクティブな障害発見を優先する。 ACEは強いソルバよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-04-17T07:20:01Z)
• Beyond Fixed Tests: Repository-Level Issue Resolution as Coevolution of Code and Behavioral Constraints [17.818522356206977]
  ほとんどの大規模言語モデル(LLM)ベースの修復システムは、修理中に固定された動作制約を扱います。 本稿では,Agent-CoEvoを提案する。Agent-CoEvoは共進化的マルチエージェントフレームワークで,候補コードパッチとテストパッチを共同で探索し,洗練する。 Agent-CoEvoは、修復の成功と再現性の両方において、最先端のエージェントベースとエージェントレスベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-06T10:26:46Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• A Training-Free Regeneration Paradigm: Contrastive Reflection Memory Guided Self-Verification and Self-Improvement [8.401193963526236]
  オフライン処理型コントラストリフレクションメモリ(RM)を利用したトレーニングフリー再生パラダイムを提案する。 推論時に、RM誘導の自己検証を行い、続いて単一のRM誘導の再生を行い、反復補正とマルチサンプル選択の両方を避ける。 実験の結果,提案手法は計算コストを低く抑えつつ,先行手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-03-20T19:12:36Z)
• TraceCoder: A Trace-Driven Multi-Agent Framework for Automated Debugging of LLM-Generated Code [11.207330722400764]
  人間の観察・分析・修復過程をエミュレートするフレームワークであるTraceCoderを提案する。 このフレームワークはまずコードを診断プローブで測定し、粒度の細かいランタイムトレースをキャプチャする。 その後、これらのトレースについて因果解析を行い、失敗の根本原因を正確に特定する。
  論文  参考訳（メタデータ） (2026-02-06T16:59:48Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
  反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。 我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。 当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
  論文  参考訳（メタデータ） (2024-10-12T23:56:19Z)

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。