論文の概要: D-Diff: An Interactive Environment for Adjusting Commit Boundaries Based on an Editable 3-way Diff
- arxiv url: http://arxiv.org/abs/2608.22207v1
- Date: Sun, 23 Aug 2026 04:00:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.651198
- Title: D-Diff: An Interactive Environment for Adjusting Commit Boundaries Based on an Editable 3-way Diff
- Title（参考訳）: D-Diff:編集可能な3方向ディフに基づくコミット境界調整のためのインタラクティブ環境
- Abstract要約: D-Diffは2つの連続コミットのためのインタラクティブな差分調整環境であり、それぞれが同じ単一ファイルを含む。
D-Diffは3方向の差分表示に基づいて、2つの差分を1つのコンパクトビューに統合する。
- 参考スコア（独自算出の注目度）: 0.254890465057467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In version control, it is recommended that each commit include only changes related to one task. To follow this recommendation, developers may need to adjust commit boundaries, that is, to compare and modify the diffs between two consecutive commits. Existing tools either display only a single diff at a time, forcing developers to rely on their memory when comparing diffs, or display three files simultaneously without showing the two consecutive diffs, forcing developers to infer them; both increase their cognitive load and hamper the adjustment. As a first step toward supporting this process, we propose D-Diff, an interactive diff adjustment environment for two consecutive commits that each involve the same single file. Based on a 3-way diff display, D-Diff integrates the two diffs into a single compact view, which also provides a way to modify them. A within-subjects user study with 8 participants showed that D-Diff significantly outperforms a baseline tool in terms of efficiency, reducing the median adjustment time from 530 seconds to 230 seconds (approximately 57%). D-Diff also received a higher percentage of positive responses across all usability questionnaire items, while no statistically significant difference was found in accuracy.
- Abstract（参考訳）: バージョン管理では、各コミットは1つのタスクに関連する変更のみを含むことが推奨される。
この推奨に従うには、開発者はコミット境界、すなわち2つの連続コミット間の差分の比較と修正を調整する必要がある。
既存のツールは、一度に1つの差分しか表示せず、開発者は差分を比較する際にメモリを頼らざるを得ず、2つの連続した差分を表示せずに3つのファイルを同時に表示せざるを得ず、開発者はそれらを推論せざるを得ない。
このプロセスをサポートするための第一歩として、同一ファイルを含む2つの連続コミットのための対話型差分調整環境D-Diffを提案する。
D-Diffは3方向の差分表示に基づいて、2つの差分を1つのコンパクトビューに統合する。
8人の被験者による調査の結果、D-Diffは効率面でベースラインツールよりも優れており、中央値調整時間を530秒から230秒(約57%)に短縮した。
また,D-Diffは全ユーザビリティアンケート項目に対して高い正の反応を示したが,統計的に有意な差は認められなかった。
関連論文リスト
- Diffs vs. Whole Files: An Empirical Comparison of Iterative Edit-Based and Direct Generation for Flutter/Dart Code Models [0.0]
直接生成と差分ベース生成という2つの出力方式で2つのコードモデルをトレーニングします。
直接生成は、測度毎に差分ベースの生成を大幅に上回る。
差分ベースの生成が勝つ条件の背後にある、アーキテクチャに依存しない単一のメカニズムを特定します。
論文 参考訳（メタデータ） (2026-09-05T00:13:49Z) - DICS: Exploring Data Intrinsic Consistency for Visual Instruction Selection [53.457992197673185]
データ固有の一貫性(Data Intrinsic Consistency、DIC)は、サンプルレベルのコンポーネント間の一貫性を定量化するために設計された自己スコアの指標である。
DICSは、高いサンプル内一貫性とグローバルな分布多様性の間のトレードオフを最適化する適応データ選択手法である。
DIC-6Mは6Mサンプルのマルチモーダル命令コーパスであり、最大規模の視覚的命令選択学習を可能にする。
論文 参考訳（メタデータ） (2026-08-31T03:44:54Z) - HERO: A Heterogeneity-Aware Benchmark Library for Federated Continual Learning [7.256466895987238]
HEROは、しばしば結合される3つの選択肢、すなわち、タスク分割、クライアントデータ分割、クライアントタスクシーケンスを分離して、ベンチマークストリームを構築する。
我々は,CIFAR-100およびTinyImageNetにおける代表的FCL手法を,最終平均精度,平均忘れ度,最下位10%のクライアント精度を用いて評価した。
論文 参考訳（メタデータ） (2026-06-13T10:32:34Z) - To Diff or Not to Diff? Structure-Aware and Adaptive Output Formats for Efficient LLM-based Code Editing [54.399335188667045]
BlockDiffとFuncDiffは構造対応のdiffフォーマットで、変更を構文的に一貫性のあるユニットのブロックレベルの書き換えとして表現する。
AdaEdit は LLM に与えられたdiff フォーマットと全コードの間で最もトークン効率の良いフォーマットを動的に選択するよう訓練する一般的な適応編集戦略である。
論文 参考訳（メタデータ） (2026-04-30T01:14:13Z) - Diff-XYZ: A Benchmark for Evaluating Diff Understanding [38.94055952813874]
Diff-XYZは、3つの教師付きタスクを持つコード差分理解のためのコンパクトなベンチマークである。
ベンチマークのインスタンスは、$langle textitoldコード、textitnewコード、textitdiff rungle$をCommitPackFTの実際のコミットから引き出す。
論文 参考訳（メタデータ） (2025-10-14T13:23:01Z) - Video Action Differencing [92.3218782696305]
我々は、同じアクションのビデオ間の微妙な違いを識別する新しいタスクである、ビデオアクションダイファレンス(VidDiff)を紹介する。
最初に、549のビデオペアを含むベンチマークデータセットであるVidDiffBenchを作成します。
我々の実験は、VidDiffBenchが最先端の大規模マルチモーダルモデルに重大な課題をもたらすことを示した。
論文 参考訳（メタデータ） (2025-03-10T21:18:32Z) - Toward Interactive Optimization of Source Code Differences: An Empirical Study of Its Performance [1.313675711285772]
ソースコードの違い(差分)を最適化するためのインタラクティブなアプローチを提案する。
ユーザは、マッチすべきではなく、マッチすべきでない部分や、マッチすべきでない部分に対するフィードバックを提供することができる。
GitHubの23のプロジェクトの結果は、最適でない差分のうち92%が、理想的なケースでは4つ未満のフィードバックアクションで対処可能であることを確認している。
論文 参考訳（メタデータ） (2024-09-20T15:43:55Z) - Describing Differences in Image Sets with Natural Language [101.80939666230168]
モデルの振る舞いを理解し、データセットを分析するためには、セットレベルの差異を識別することが不可欠である。
本稿では、まずイメージをキャプションし、言語モデルに差分記述を提案するVisDiffを紹介する。
データセットとモデルにこれまで知られていなかった興味深い違いを見つけることができ、微妙な洞察を明らかにする上で、VisDiffの実用性を示すことができます。
論文 参考訳（メタデータ） (2023-12-05T18:59:16Z) - FeatAug-DETR: Enriching One-to-Many Matching for DETRs with Feature
Augmentation [48.94488166162821]
1対1のマッチングは、DETRのようなオブジェクト検出フレームワークにおいて重要な設計である。
画像や画像の特徴を拡大する異なる視点から一対一マッチングを実現する2つの手法を提案する。
提案手法の有効性を評価するため, 広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-03-02T18:59:48Z) - Parameter-Efficient Transfer Learning with Diff Pruning [108.03864629388404]
diff pruningは、プリトレイン・ファインチューンフレームワーク内でパラメータ効率の高い転送学習を可能にするシンプルなアプローチです。
diff pruningで微調整されたモデルは、GLUEベンチマークで完全に微調整されたベースラインのパフォーマンスと一致します。
論文 参考訳（メタデータ） (2020-12-14T12:34:01Z)
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。