論文の概要: Comprendia: AI-Augmented Code Comprehension

• arxiv url: http://arxiv.org/abs/2608.10290v1
• Date: Mon, 10 Aug 2026 22:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.834132
• Title: Comprendia: AI-Augmented Code Comprehension
• Title（参考訳）: Comprendia: AIの拡張されたコード理解
• Abstract要約: Comprendiaは、構造的依存関係の可視化とJavaプログラムの理解のための共有インタラクティブグラフのコード説明を統合するEclipseプラグインである。 このツールは,(1)ライブ検索と複数レイアウトを備えたマルチエッジ型依存性グラフ,(2)グラフ認識型コールスプルーニング(GACP)に基づくLCM説明,(4)OSV.devによるCVEリスクオーバーレイである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Comprendia is an Eclipse plugin that integrates structural dependency visualization with LLM-powered code explanation on a shared interactive graph for Java program comprehension. The tool rests on four pillars: (1) a multi-edge-type dependency graph with live search and multiple layouts; (2) LLM explanations grounded in Graph-Aware Callee Pruning (GACP), an auditable strategy that selects relevant callees using the same graph the developer navigates; (3) a clone-detection overlay that highlights duplication and suggests extract-to-parent refactoring opportunities; and (4) a CVE risk overlay powered by OSV.dev. GACP uses graph distance, inheritance collapse, and edge-type weighting to produce prompts that are reproducible across LLM families and traceable to visible graph nodes. We demonstrate Comprendia on a Java project containing known clones and vulnerabilities, showing how the unified graph substrate supports comprehension while keeping the developer in control. Screencast: https://youtu.be/1wlh_RYehzA
• Abstract（参考訳）: Comprendiaは、構造的依存関係の可視化とLLMによるコード説明を統合したEclipseプラグインで、Javaプログラムの理解のための共有インタラクティブグラフである。 このツールは,(1)ライブ検索と複数レイアウトを備えたマルチエッジ型の依存性グラフ,(2)Graph-Aware Callee Pruning(GACP)に基づくLCM説明,(2)開発者がナビゲートする同じグラフを使用して関連する呼び出し者を選択する監査可能な戦略,(3)重複を強調して抽出からパースリファクタリングの機会を示唆するクローン検出オーバーレイ,(4)OSV.devによるCVEリスクオーバーレイ,の4つで構成されている。 GACPはグラフ距離、継承崩壊、エッジ型重み付けを使用して、LLMファミリ間で再現可能で、可視グラフノードにトレース可能なプロンプトを生成する。 Comprendiaは既知のクローンと脆弱性を含むJavaプロジェクトでデモを行い、統一されたグラフ基板が開発者のコントロールを維持しながら理解をどのようにサポートするかを示した。 スクリーンキャスト:https://youtu.be/1wlh_RYehzA

関連論文リスト

• GraphContainer: A Unified Platform for Comparing and Debugging Graph RAG Methods [4.927427162899616]
  GraphContainerは、多様なグラフRAGを統一し視覚化するように設計された、新しいプラットフォームである。 本稿では、GraphContainerがグラフフォーマットと検索戦略の制御された比較を可能にする方法を示す。
  論文  参考訳（メタデータ） (2026-06-05T02:37:37Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [60.71360240206726]
  大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。 既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。 本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T15:41:53Z)
• GraphInstruct: Empowering Large Language Models with Graph Understanding and Reasoning Capability [47.69392503009922]
  本稿では,21の古典的グラフ推論タスクを包括的に含むGraphInstructというベンチマークを提案する。 GraphInstructをベースとして,グラフ理解能力の顕著さを示す効率的な命令チューニングによるGraphrを開発した。 マルチステップグラフ推論機能を備えたLLMをさらに促進するために,ラベルマスクトレーニング戦略を提案し,Graphr+を構築する。
  論文  参考訳（メタデータ） (2024-03-07T13:36:08Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• LLaGA: Large Language and Graph Assistant [73.71990472543027]
  大規模言語とグラフアシスタント(LLaGA)は、グラフ構造化データの複雑さを扱う革新的なモデルである。 LLaGAは汎用性、一般化性、解釈性に優れており、異なるデータセットやタスク間で一貫して動作する。 実験の結果,LLaGAは4つのデータセットと3つのタスクに1つの単一モデルを用いて優れた性能を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-13T02:03:26Z)
• GraphGPT: Graph Instruction Tuning for Large Language Models [27.036935149004726]
  グラフニューラルネットワーク(GNN)は、グラフ構造を理解するために進化してきた。 堅牢性を高めるために、自己教師付き学習(SSL)はデータ拡張の重要なツールとなっている。 本研究は,ゼロショット学習環境におけるグラフモデルの一般化を推し進めることによって,この問題に対処する。
  論文  参考訳（メタデータ） (2023-10-19T06:17:46Z)
• Integrating Graphs with Large Language Models: Methods and Prospects [68.37584693537555]
  大規模言語モデル (LLMs) が最前線として登場し、様々なアプリケーションにおいて非並列の長所を示している。 LLMとグラフ構造化データを組み合わせることは、非常に興味深いトピックです。 本稿では、そのような統合を2つの主要なカテゴリに分岐する。
  論文  参考訳（メタデータ） (2023-10-09T07:59:34Z)
• Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
  フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。 本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。 局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
  論文  参考訳（メタデータ） (2022-10-17T07:16:17Z)
• GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
  本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。 我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。 その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
  論文  参考訳（メタデータ） (2022-05-22T11:57:08Z)

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。