論文の概要: An Extensive Empirical Study on Code Translation Technique
- arxiv url: http://arxiv.org/abs/2608.20776v1
- Date: Fri, 21 Aug 2026 06:41:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.414988
- Title: An Extensive Empirical Study on Code Translation Technique
- Title(参考訳): コード翻訳技術に関する実証的研究
- Abstract要約: 我々は、方法論パラダイムと翻訳の粒度にまたがる代表的コード翻訳手法を比較した。
我々の分析では、実行可能正確性、コード類似性、翻訳方向、翻訳、故障パターンを考察する。
これらの知見は、より堅牢で型認識、構造認識、文脈認識のコード翻訳技術を開発するための実証的証拠と実践的ガイダンスを提供する。
- 参考スコア(独自算出の注目度): 3.398993044674732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated code translation is increasingly important for software evolution, yet the relative strengths and limitations of learning-based and large language model (LLM)-based techniques remain insufficiently understood. To address this gap, we conduct a large-scale empirical study comparing representative code translation techniques across methodological paradigms and translation granularities. We evaluate learning-based methods, LLM-based methods, and general-purpose LLMs on multilingual method-level and class-level benchmarks involving multiple programming languages. Our analysis considers executable correctness, code similarity, translation direction, translation granularity, and failure patterns. The results show that LLMs and LLM-based methods generally outperform learning-based methods in method-level correctness, although similarity metrics alone do not reliably reflect functional correctness. Translation direction substantially affects performance, particularly when translating between languages with different type-system characteristics. Class-level translation remains considerably more difficult than method-level translation because it requires preserving global semantics, interfaces, member relationships, and cross-method dependencies. Our error analysis further shows that static semantic errors and logical errors are the primary challenges in existing code translation systems. These findings provide empirical evidence and practical guidance for developing more robust, type-aware, structure-aware, and context-aware code translation techniques.
- Abstract(参考訳): 自動コード翻訳は、ソフトウェア進化にとってますます重要になっているが、学習ベースおよび大規模言語モデル(LLM)ベースの技術の相対的な強みと限界は、まだ十分に理解されていない。
このギャップに対処するため、我々は、方法論的パラダイムと翻訳の粒度にまたがる代表的コード翻訳技術を比較した大規模な実証的研究を行った。
複数のプログラミング言語を含む多言語・クラスレベルのベンチマークにおいて,学習に基づく手法,LLMに基づく手法,汎用LLMを評価した。
解析では、実行可能正確性、コード類似性、翻訳方向、翻訳粒度、故障パターンを考察する。
その結果,LLM と LLM に基づく手法は,機能的正当性のみを確実に反映していないものの,一般的にはメソッドレベルの正当性において学習に基づく手法よりも優れていることがわかった。
翻訳方向は、特に異なる型システム特性を持つ言語間の翻訳において、パフォーマンスに大きく影響する。
クラスレベルの翻訳は、グローバルなセマンティクス、インターフェース、メンバーの関係、およびメソッド間の依存関係を保存する必要があるため、メソッドレベルの翻訳よりもかなり難しいままである。
我々のエラー解析は、既存のコード翻訳システムにおいて静的な意味的誤りと論理的誤りが主な課題であることを示している。
これらの知見は、より堅牢で型認識、構造認識、文脈認識のコード翻訳技術を開発するための実証的証拠と実践的ガイダンスを提供する。
関連論文リスト
- Large Language Models for Multi-Lingual Equivalent Mutant Detection: An Extended Empirical Study [8.372242332246508]
大規模言語モデル(LLM)は、プログラムのセマンティクスをよりよくキャプチャすることで、様々なコード関連のタスクにまたがる顕著なパフォーマンスを最近示した。
本稿では,3つのJavaと1,088のミュータントペアを用いたLLMの総合的研究を行い,最先端手法に対するベンチマークを行った。
LLMは評価された従来の方法よりも高いF1スコアを実現し、微調整されたコード埋め込みにより高い検出精度が得られる。
論文 参考訳(メタデータ) (2026-07-01T06:46:13Z) - Reasoning over Grammar: Can Synthetic Linguistic Reasoning Traces Enhance Low-Resource Machine Translation? [49.7935995447581]
我々は,低リソース機械翻訳が言語解析と文法推論の中間段階の構造化の恩恵を受けるか検討する。
本稿では,Universal Dependencies Treebank,Dictionary,Gram-rule Bankから,ステップバイステップの言語推論トレースを自動的に生成するパイプラインを提案する。
その結果,言語的推論の痕跡は推論時ガイダンスとして最も有効であることが示唆された。
論文 参考訳(メタデータ) (2026-06-02T15:36:12Z) - Beyond BLEU: A Semantic Evaluation Method for Code Translation [2.3802148866231057]
本研究では,コード翻訳タスクに対する新しい評価手法を提案し,表面レベルの文字列類似性に対する意味的等価性を強調した。
正しい実行結果を生成する翻訳の割合として定義される意味的正当性スコアを導入する。
BLEUスコアは意味的正当性と無視できる相関を示した。
論文 参考訳(メタデータ) (2026-05-06T17:14:33Z) - LLMs Explain't: A Post-Mortem on Semantic Interpretability in Transformer Models [3.7965260744113163]
大きな言語モデル(LLM)は、その汎用性と強力なパフォーマンスのために、広範にコンピューティングで人気が高まっている。
本稿では,LLMにおいて言語的抽象化がどのように現れるのかを考察し,異なるモジュール間で言語的抽象化を検出することを目的とする。
注意に基づく説明は、後層表現がトークンに対応しているというコア仮定をテストすると、崩壊します。
埋め込みに適用される特性推論法も、その高い予測スコアが、方法論的アーティファクトとデータセット構造によって駆動されたため失敗した。
論文 参考訳(メタデータ) (2026-01-30T12:46:37Z) - CLaS-Bench: A Cross-Lingual Alignment and Steering Benchmark [21.574271160875046]
CLaS-Benchは,32言語にわたる大規模言語モデル(LLM)における言語強制行動を評価するベンチマークである。
単純な残差ベースのDiffMeanメソッドは、他のすべてのメソッドよりも一貫して優れています。
論文 参考訳(メタデータ) (2026-01-13T08:42:03Z) - Code-Switching In-Context Learning for Cross-Lingual Transfer of Large Language Models [64.54005959758733]
我々は,コードスイッチング・イン・コンテキスト・ラーニング(CSICL)を,推論中の翻訳障壁を克服するための原則的かつ堅牢なアプローチとして導入する。
4つのLLM、6つのデータセット、10の言語にわたる広範な実験を行い、知識集約型ドメインと推論指向ドメインの両方にまたがる。
その結果、CSICLはX-ICLベースラインを一貫して上回り、ターゲット言語と見当たらない言語の両方で3.1%pと1.9%pを達成した。
論文 参考訳(メタデータ) (2025-10-07T08:35:42Z) - Understanding and Mitigating Errors of LLM-Generated RTL Code [7.747889860813149]
大規模言語モデル (LLM) ベースのレジスタ転送レベル (RTL) コード生成は有望であるが、全体的な成功率は相変わらず不満足である。
包括的なエラー解析と手動分類を行う。
その結果、ほとんどのエラーはRTLプログラミングの知識不足、回路概念の理解不足、複雑なマルチモーダル入力の誤解釈によるものであることが判明した。
論文 参考訳(メタデータ) (2025-08-07T11:02:32Z) - Function-to-Style Guidance of LLMs for Code Translation [59.487054943812836]
コード翻訳における大規模言語モデルの性能向上を目的として,F2STransという関数型案内パラダイムを提案する。
提案手法は,(1)高品質なソースターゲットコードペアを用いた翻訳精度を最適化する機能学習という2つの重要な段階から構成される。
我々は,最新のソースコード,広範なテストケース,手動で注釈付き接頭辞翻訳を含む新しいコード翻訳ベンチマークを導入する。
論文 参考訳(メタデータ) (2025-07-15T08:25:02Z) - LayerCake: Token-Aware Contrastive Decoding within Large Language Model Layers [53.43862310647276]
大規模言語モデル(LLM)は、自然言語の理解と生成に優れるが、事実の誤りに弱いままである。
本稿では,トークン型と最も影響力のあるトランスフォーマー層を整合させて実データ生成を改善する,トークン認識型コントラストデコーディング手法を提案する。
提案手法は追加のトレーニングやモデル修正を必要とせず,複数のLSMおよび各種ベンチマークの事実性を常に改善することを示す実験である。
論文 参考訳(メタデータ) (2025-07-06T14:35:43Z) - RustRepoTrans: Repository-level Code Translation Benchmark Targeting Rust [50.65321080814249]
RustRepoTransは、インクリメンタル翻訳をターゲットにした、最初のリポジトリレベルのコンテキストコード変換ベンチマークである。
複雑な翻訳シナリオの制約を評価するために, 7つの代表的なLLMを評価し, それらの誤差を分析した。
論文 参考訳(メタデータ) (2024-11-21T10:00:52Z) - LLM-based Translation Inference with Iterative Bilingual Understanding [52.46978502902928]
大規模言語モデル(LLM)の言語間機能に基づいた,新しい反復的バイリンガル理解翻訳法を提案する。
LLMの言語横断的能力により、ソース言語とターゲット言語を別々にコンテキスト理解することが可能になる。
提案したIBUTは、いくつかの強力な比較法より優れている。
論文 参考訳(メタデータ) (2024-10-16T13:21:46Z) - A Thorough Examination of Decoding Methods in the Era of LLMs [72.65956436513241]
復号法は、次世代の予測器から実用的なタスク解決器に言語モデルを変換する上で、必須の役割を果たす。
本稿では,大規模言語モデルの文脈における様々な復号法を包括的かつ多面的に分析する。
その結果,復号法の性能は特にタスク依存的であり,アライメント,モデルサイズ,量子化などの要因に影響されていることが明らかとなった。
論文 参考訳(メタデータ) (2024-02-10T11:14:53Z)
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。