論文の概要: GraphAlignCoder: Aligning Program and Proof Graphs for Code Generation
- arxiv url: http://arxiv.org/abs/2608.11394v1
- Date: Tue, 11 Aug 2026 20:01:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.364783
- Title: GraphAlignCoder: Aligning Program and Proof Graphs for Code Generation
- Title（参考訳）: GraphAlignCoder:コード生成のためのプログラムと証明グラフの調整
- Abstract要約: GraphAlignCoderは、明示的な正当性構造をコード生成に転送するトレーニングフレームワークです。
GraphAlignCoderは、すべてのベンチマークで、ベースモデル、コードのみのSFT、CodeRLを一貫して上回る。
- 参考スコア（独自算出の注目度）: 7.471886998236215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Code large language models (LLMs) can generate syntactically plausible programs that nevertheless violate hidden semantic constraints. Existing execution-feedback training methods identify whether a completed program fails, but provide limited supervision about how a correct solution should be organized. We introduce GraphAlignCoder, a training framework that transfers explicit correctness structure into code generation. GraphAlignCoder constructs an implementation graph that captures control and dependence among program regions. In parallel, a constrained Lean pipeline produces proof traces, from which we extract a formal proof-flow graph. The model first learns executable code together with graph-derived descriptions of why individual program regions are correct, and then consolidates this knowledge into code generation. GraphAlignCoder consistently outperforms the base model, code-only SFT, and CodeRL across all benchmarks. Compared with CodeRL, it increases the solved count from 38 to 50 on LiveCodeBench v6 and from 16 to 23 on BigCodeBench Hard, corresponding to relative gains of 31.6% and 43.8%, while also improving BigCodeBench Full from 359 to 363 tasks. The ablation study further shows that verification-graph injection produces the initial reasoning gain, while verification to code consolidation is essential for robust cross-benchmark transfer.
- Abstract（参考訳）: コード大言語モデル(LLM)は、構文的に妥当なプログラムを生成することができるが、それでも隠れたセマンティック制約に違反する。
既存の実行フィードバックトレーニングメソッドは、完了したプログラムが失敗するかどうかを識別するが、どのように正しいソリューションを編成するかに関して限定的な監督を提供する。
GraphAlignCoderは、明示的な正当性構造をコード生成に転送するトレーニングフレームワークです。
GraphAlignCoderは、プログラム領域間の制御と依存をキャプチャする実装グラフを構築する。
並行して、制約のあるリーンパイプラインが証明トレースを生成し、そこから正式な証明フローグラフを抽出します。
モデルはまず、個々のプログラム領域が正しい理由をグラフで表した記述とともに実行可能なコードを学び、その知識をコード生成に統合する。
GraphAlignCoderは、すべてのベンチマークで、ベースモデル、コードのみのSFT、CodeRLを一貫して上回る。
CodeRLと比較すると、LiveCodeBench v6では38から50に、BigCodeBench Hardでは16から23に、31.6%と43.8%、BigCodeBench Fullでは359から363に改善されている。
アブレーション実験は、検証グラフ注入が最初の推論ゲインを発生させるのに対して、コード統合への検証は堅牢なクロスベンチマーク転送に不可欠であることを示す。
関連論文リスト
- GTA: Graph Theory Agent and Benchmark for Algorithmic Graph Reasoning with LLMs [50.68372832207766]
Graph Theory Bench (GT Bench) は、44のタスク構造設定において24の古典的なグラフ問題をカバーするベンチマークである。
GT Benchは、精度が入力表現と強く結びついていることを示している。
本稿では,選好学習された表現セレクタと計画と分解の足場を組み合わせたグラフ理論エージェント(GTA)を提案する。
論文 参考訳（メタデータ） (2026-09-10T22:50:10Z) - P$^{3}$: Joint Program-and-Proof Planning for Verified Code Generation [19.3449645807529]
検証されたコード生成は、プログラムの実行可能プログラムとマシンチェック可能な証明の両方を生成するために、大きな言語モデル(LLM)を要求する。
このシーケンシャルパイプラインは、実際には非効率かつ非効率である可能性があることを観察する。
プログラムとその正当性引数を手作業で開発するべきだというディクストラの見解に触発されて、我々は$P3$を提案する。
論文 参考訳（メタデータ） (2026-08-10T08:33:18Z) - What Really Improves Mathematical Reasoning: Structured Reasoning Signals Beyond Pure Code [72.9921566968371]
ドメイン分離のきめ細かい10T-tokenコーパスにおける事前学習の制御実験により,コードが推論を改善するという主張を再考する。
コードはプログラミング能力を大幅に改善するが、一般的な推論エンハンサーとして機能しない。
コード-テキストと数学-テキストの混合のようなドメイン間構造的推論トレースがよりうまく説明されている。
論文 参考訳（メタデータ） (2026-05-19T12:37:01Z) - VeriContest: A Competitive-Programming Benchmark for Verifiable Code Generation [2.2194977808724405]
大規模言語モデルは自然言語から有用なコードを生成することができるが、その出力は正確性を保証することなく得られる。
検証可能なコード生成は、モデルに実行可能なコードだけでなく、正式な仕様やマシンチェック可能な証明を生成することを要求することによって、テストを越える道を提供する。
We present VeriContest, a benchmark of 946 competitive-playming problem from LeetCode and Codeforces for verible code generation in Rust with Verus。
論文 参考訳（メタデータ） (2026-05-08T23:25:05Z) - AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms [54.99368693313797]
既存のベンチマークでは、個々の言語/ツールのみをテストするため、パフォーマンス番号は直接比較できない。
このギャップに対処するAlgoVeriは、Dafny、Verus、Leanで77ドルの古典的アルゴリズムのベリコーディングを評価するベンチマークです。
論文 参考訳（メタデータ） (2026-02-10T06:58:26Z) - CodeRL+: Improving Code Generation via Reinforcement with Execution Semantics Alignment [98.87395842351627]
大きな言語モデル(LLM)は、巨大なコードコーパスから学習することで、コード生成において優れています。
テキストパターンのトレーニングと機能的正しさの目標の間には、基本的な意味的ギャップが残っている。
我々は、コード生成のためのRLVRトレーニングパイプラインに実行セマンティクスアライメントを統合する新しいアプローチであるCodeRL+を提案する。
論文 参考訳（メタデータ） (2025-10-21T09:48:06Z) - Zero-shot Graph Reasoning via Retrieval Augmented Framework with LLMs [15.558119182035995]
検索型拡張フレームワーク(GRRAF)を用いた新しい学習不要なグラフ推論手法を提案する。
GRRAFは、大規模な言語モデル(LLM)のコード生成機能とともに、検索拡張生成(RAG)を活用して、幅広いグラフ推論タスクに対処する。
GraphInstructデータセットの実験的評価により、ほとんどのグラフ推論タスクにおいて、GRRAFが100%の精度を達成することが明らかになった。
論文 参考訳（メタデータ） (2025-09-16T06:58:58Z) - 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) - VisualCoder: Guiding Large Language Models in Code Execution with Fine-grained Multimodal Chain-of-Thought Reasoning [10.70881967278009]
ビジュアル制御フローグラフ (CFG) を用いたマルチモーダルチェイン・オブ・ワットスニペット (CoT) 推論を統合することで,コード推論を強化する,シンプルかつ効果的なアプローチである VisualCoder を導入する。
我々は,参照機構によるマルチモーダルCoT統合の課題に対処し,コードと実行経路の整合性を確保し,プログラム動作予測,エラー検出,出力生成の性能を向上させる。
論文 参考訳（メタデータ） (2024-10-30T19:07:01Z) - deGraphCS: Embedding Variable-based Flow Graph for Neural Code Search [15.19181807445119]
ソースコードを変数ベースのフローグラフに変換する学習可能なDeGraph for Code Search(deGraphCSと呼ばれる)を提案する。
C言語で記述された41,152のコードスニペットを含む大規模なデータセットをGitHubから収集しています。
論文 参考訳（メタデータ） (2021-03-24T06:57:44Z) - Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
本稿では,効率よく適応的なコード駆動グラフを提案する。
自動エンコーダのコンテキストでデコードすることで更新される。
ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
論文 参考訳（メタデータ） (2020-02-27T05:58:12Z)
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。