Fugu-MT 論文翻訳(概要): Hype Meets Reality: Large Language Models as Mutators in Search-based Automated Program Repair of Simulink-Stateflow Models

論文の概要: Hype Meets Reality: Large Language Models as Mutators in Search-based Automated Program Repair of Simulink-Stateflow Models

arxiv url: http://arxiv.org/abs/2608.19347v1
Date: Wed, 19 Aug 2026 18:09:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-21 20:28:51.376491
Title: Hype Meets Reality: Large Language Models as Mutators in Search-based Automated Program Repair of Simulink-Stateflow Models
Title（参考訳）: Hype meets Reality: Large Language Models as Mutators in Search-based Program repair of Simulink-Stateflow Models
Abstract要約: 変異演算子のサブセットを大言語モデル(LLM)に置き換えることで、最先端のFlowRepairアプローチを拡張します。期待に反して、LLMベースの突然変異はFlowRepair実験装置下での修復性能を著しく低下させる。分析の結果,LLMは正確な記号編集に苦慮し,行動フィードバックが欠如し,ノイズの多い検索空間を生成することがわかった。
参考スコア（独自算出の注目度）: 9.216325369400606
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Search-based Automated Program Repair (APR) techniques rely on carefully designed mutation operators to explore the space of candidate fixes. Recent advances in Large Language Models (LLMs) suggest that generative models could replace such operators by dynamically proposing repairs. In this paper, we investigate this hypothesis in the context of Cyber-Physical Systems (CPSs) modeled in Simulink/Stateflow. We extend the state-of-the-art FlowRepair approach by replacing a subset of its mutation operators with LLM-generated mutations, enabling more flexible and expressive patch generation. We evaluate the approach on a benchmark of 19 real-world faulty Stateflow models across four CPS domains, using the same experimental setup as FlowRepair for controlled comparison under the same wall-clock budget. Contrary to expectations, in this controlled evaluation, the LLM-based mutation substantially degrades repair performance under the FlowRepair experimental setup. Across the tested LLM variants, the LLM-based repair produced plausible patches for 4-6 models and valid patches for 4 models, compared to 18 and 16, respectively, with the original approach. Our analysis reveals that, in this integration, LLMs struggle with precise symbolic edits, lack behavioral feedback, and generate a noisy search space that hinders effective exploration. Rather than showing a general limitation of LLMs for APR, these findings highlight fundamental limitations of naively integrating LLMs into search-based APR and motivate hybrid approaches that combine structured mutation with generative guidance.
Abstract（参考訳）: 検索ベースの自動プログラム修復(APR)技術は、慎重に設計された突然変異演算子を使って、候補修正の空間を探索する。 LLM(Large Language Models)の最近の進歩は、生成モデルがそのような演算子を動的に修復することで置き換える可能性を示唆している。本稿では,Simulink/Stateflowでモデル化されたCPS(Cyber-Physical Systems)の文脈におけるこの仮説について検討する。我々は、その変異演算子のサブセットをLSM生成突然変異に置き換えることで、最先端のFlowRepairアプローチを拡張し、より柔軟で表現力のあるパッチ生成を可能にします。本研究では,4つのCPSドメインにまたがる19の現実的障害状態フローモデルのベンチマークに対するアプローチを,FlowRepairと同じ実験装置を用いて評価した。予測とは対照的に、この制御された評価では、LLMベースの変異は、FlowRepair実験環境下での修復性能を著しく低下させる。試験されたLLMの亜種全体で、LLMベースの修復は4-6モデルの可塑性パッチと4モデルの有効なパッチをそれぞれ18と16のアプローチで生成した。この分析により,LSMは正確な記号編集に苦しむとともに,行動フィードバックが欠如し,効果的な探索を妨げるノイズの多い探索空間が生成されることがわかった。これらの知見は、ALMを検索ベースAPRに統合し、構造突然変異と生成誘導を組み合わせたハイブリッドアプローチをモチベートすることの基本的限界を浮き彫りにした。

関連論文リスト

FormuEvo: LLM-Guided Evolution for Discovering Solver-Efficient Mixed-Integer Programming Formulations [66.32852384262038]
混合整数プログラミング(MIP)は、運用研究と産業最適化の核心にある。 FormuEvoは、解法効率のMIP式の自動発見のための進化的フレームワークである。 FormuEvoは、MIP定式化のシンボル空間上の進化的最適化として、MIP定式化設計を行う。
論文参考訳（メタデータ） (2026-08-24T15:01:28Z)
APS: Bias-Controlled Adaptive Prototype Simulation for Population-Scale LLM Agents [23.922499684047263]
本稿では,拡張性 LLM に基づくシミュレーションを,再帰的なオラクル配置問題として再設計するフレームワークを提案する。 Adaptive Prototype Simulation (APS) は、適応型コアプロトタイプ、選択されたシングルトンテールエージェント、シャドウ監査エージェントをクエリする。 APSは、完全なシミュレーションよりも381.1倍の削減を実現し、対応するフルLLM参照に対して0.094の参照整列最終ラウンドJSDを実現している。
論文参考訳（メタデータ） (2026-05-19T08:45:41Z)
Exploring the Potential of Large Language Models in Simulink-Stateflow Mutant Generation [11.706481833926818]
LLM(Large Language Models)は、Simulink-Stateflowモデルのための高品質でドメイン固有のミュータントを生成する。 LLMは手作業による突然変異ベースのベースラインの最大13倍の速度でミュータントを生成する。分析の結果,低-ナトリウム温度値と組み合わせることで最適な結果が得られることがわかった。
論文参考訳（メタデータ） (2026-02-03T23:01:47Z)
ReCALL: Recalibrating Capability Degradation for MLLM-based Composed Image Retrieval [64.14282916266998]
Composed Image Retrievalは、参照画像と修正テキストからなるハイブリッドクエリに基づいてターゲット画像を取得することを目的としている。本稿では,診断・生成・再定義パイプラインに従うモデルに依存しないフレームワークであるReCALLを提案する。 CIRRとFashionIQの実験では、ReCALLは継続的に劣化した機能を再検討し、最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-02-02T04:52:54Z)
Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation [0.0]
本稿では,大規模言語モデル(LLM)を個別のフォールトリカバリ計画と継続的プロセス制御の両方に活用する統合エージェントフレームワークを提案する。その結果、構造化されたフィードバックとモジュラーエージェントにより、LLMは高レベルな記号計画と低レベルな連続制御を統一できることを示した。
論文参考訳（メタデータ） (2025-07-03T11:20:22Z)
SUTA-LM: Bridging Test-Time Adaptation and Language Model Rescoring for Robust ASR [58.31068047426522]
テスト時間適応(TTA)は、推論中にモデルを調整することで緩和することを目的としている。最近の研究は、ビーム探索再構成や生成誤り訂正といった手法を用いて、TTAと外部言語モデルの組み合わせについて検討している。本稿では,SUTAの簡易かつ効果的な拡張であるSUTA-LMを提案する。 18種類のASRデータセットの実験により、SUTA-LMは幅広い領域で堅牢な結果が得られることが示された。
論文参考訳（メタデータ） (2025-06-10T02:50:20Z)
Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
論文参考訳（メタデータ） (2024-10-31T20:05:51Z)
Attribute Controlled Fine-tuning for Large Language Models: A Case Study on Detoxification [76.14641982122696]
本稿では,属性制御付き大規模言語モデル(LLM)の制約学習スキーマを提案する。提案手法は, ベンチマーク上での競合性能と毒性検出タスクを達成しながら, 不適切な応答を少ないLCMに導出することを示す。
論文参考訳（メタデータ） (2024-10-07T23:38:58Z)
CRaSh: Clustering, Removing, and Sharing Enhance Fine-tuning without Full Large Language Model [22.870512676002463]
本稿では,集中型LCMと下流エミュレータ間でトランスフォーマブロックを転送する代表的手法であるOffsite-Tuning(OFT)に焦点を当てる。これらの観測にインスパイアされたCRaShは、LCMから改善エミュレータを導出するトレーニングフリー戦略であるClustering、Removing、Sharingを含む。以上の結果から,CRaShとOFTの有効性が明らかとなった。
論文参考訳（メタデータ） (2023-10-24T03:08:58Z)
ReEval: Automatic Hallucination Evaluation for Retrieval-Augmented Large Language Models via Transferable Adversarial Attacks [91.55895047448249]
本稿では,LLMベースのフレームワークであるReEvalについて述べる。本稿では、ChatGPTを用いてReEvalを実装し、2つの人気のあるオープンドメインQAデータセットのバリエーションを評価する。我々の生成したデータは人間可読であり、大きな言語モデルで幻覚を引き起こすのに役立ちます。
論文参考訳（メタデータ） (2023-10-19T06:37:32Z)
Pareto Optimal Learning for Estimating Large Language Model Errors [12.21899680905672]
大規模言語モデル(LLM)は多くのアプリケーションで印象的な能力を示している。複数の情報ソースを統合することで,LSM応答における誤り確率を推定するリスクスコアを生成する手法を提案する。
論文参考訳（メタデータ） (2023-06-28T21:11:15Z)
Relational Reasoning via Set Transformers: Provable Efficiency and Applications to MARL [154.13105285663656]
置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
論文参考訳（メタデータ） (2022-09-20T16:42:59Z)

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。