論文の概要: Database-Augmented RAG for Automated Repair of REST API Misuses

• arxiv url: http://arxiv.org/abs/2608.29290v1
• Date: Sat, 29 Aug 2026 14:27:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 12:52:15.20333
• Title: Database-Augmented RAG for Automated Repair of REST API Misuses
• Title（参考訳）: REST APIのミスを自動修正するためのデータベース拡張RAG
• Abstract要約: Retrieval-Augmented Generation (RAG)は、大規模言語モデルに外部知識を提供するための有望なアプローチである。 本稿では、API仕様を整理するための異なる設定が、RAGベースのREST APIの誤用の修復にどのように影響するかを評価する。
• 参考スコア（独自算出の注目度）: 2.339620547243152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many Internet of Things (IoT) services provide Representational State Transfer (REST) APIs, which require client developers to implement applications that conform to the corresponding API specifications. When client programs contain API misuse, developers debug them based on error responses. However, such responses are often insufficient for identifying the root cause, requiring developers to repeatedly communicate with the server. Retrieval-Augmented Generation (RAG) is a promising approach for providing large language models (LLMs) with external knowledge. However, in automated repair of REST API misuses, it remains unclear how specifications should be stored in a RAG database. This study evaluates how different configurations for organizing API specifications affect RAG-based repair of REST API misuse. We constructed 11 RAG configurations with different database structures and compared their repair rates with a baseline method. For evaluation, we used REST API misuse cases collected from real-world repositories. The results show that, in the studied datasets, the baseline method achieved a repair rate of 54.3%, whereas a RAG-based method using four databases achieved a maximum repair rate of 88.6%. These results indicate that organizing specifications according to version and content type can be an effective design choice for RAG-based REST API misuse repair.
• Abstract（参考訳）: 多くのIoT(Internet of Things)サービスがRepresentational State Transfer (REST) APIを提供しており、クライアント開発者は対応するAPI仕様に準拠したアプリケーションを実装する必要がある。 クライアントプログラムにAPI誤用が含まれている場合、開発者はエラー応答に基づいてそれらをデバッグする。 しかし、そのような応答は、しばしば根本原因を特定するのに不十分であり、開発者はサーバと繰り返し通信する必要がある。 Retrieval-Augmented Generation (RAG) は、大規模言語モデル(LLM)に外部知識を提供するための有望なアプローチである。 しかし、REST APIの誤用を自動修正する際、どのように仕様をRAGデータベースに格納すべきかは不明だ。 本稿では、API仕様を整理するための異なる設定が、RAGベースのREST APIの誤用の修復にどのように影響するかを評価する。 データベース構造が異なる11のRAG構成を構築し,その修復率をベースライン法と比較した。 評価には、現実世界のリポジトリから収集したREST APIの誤用ケースを使用しました。 その結果, ベースライン法は54.3%, RAG法は88.6%, RAG法は88.6%であった。 これらの結果は、バージョンとコンテントタイプに応じた仕様の整理が、RAGベースのREST APIの誤用修復に有効な設計選択であることを示している。

関連論文リスト

• RAGVUE: A Diagnostic View for Explainable and Automated Evaluation of Retrieval-Augmented Generation [1.564663326217051]
  RAGVUEはRetrieval-Augmented Generation (RAG)システムを評価するためのフレームワークである。 RAGの振る舞いを検索品質、回答の妥当性と完全性、厳格なクレームレベルの忠実さ、および判断の校正に分解する。 RAGVUEは手動のメートル法選択と完全に自動化されたエージェント評価の両方をサポートしている。
  論文  参考訳（メタデータ） (2025-12-03T07:42:49Z)
• Automated Program Repair Based on REST API Specifications Using Large Language Models [0.48414873775965206]
  dcFixは、クライアントプログラムにおけるREST APIの誤用を検出し、自動的に修復する方法である。 評価の結果,dcFixは誤用を正確に検出し,ベースラインアプローチよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-10-29T04:04:40Z)
• Classifying and Addressing the Diversity of Errors in Retrieval-Augmented Generation Systems [10.899541303791928]
  Retrieval-augmented Generation (RAG) は、質問応答システムを構築するための一般的なアプローチである。 実世界のRAGシステムの複雑さのため、誤出力には多くの潜在的な原因がある。 本稿では,現実的なRAGシステムで発生するエラーの種類,それぞれの例,そしてそれに対応するための実践的なアドバイスについて,新しい分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-15T18:02:30Z)
• Evaluating Retrieval-Augmented Generation Systems on Unanswerable, Uncheatable, Realistic, Multi-hop Queries [53.99620546358492]
  実世界のユースケースでは、複雑なクエリを持つRAGシステムが存在し、関連する情報がコーパスから欠落したり、不完全であったりすることが多い。 既存のRAGベンチマークは、マルチホップやスコープ外の質問に対して、現実的なタスクの複雑さを反映することはめったにない。 un$underlinec$heatable, $underliner$ealistic, $underlineu$nanswerable, $underlinem$ulti-hopの自動生成のための最初のパイプラインを提示する。
  論文  参考訳（メタデータ） (2025-10-13T21:38:04Z)
• LlamaRestTest: Effective REST API Testing with Small Language Models [50.058600784556816]
  LlamaRestTestは、2つのLLM(Large Language Models)を使って現実的なテストインプットを生成する新しいアプローチである。 私たちは、GPTを使った仕様強化ツールであるRESTGPTなど、最先端のREST APIテストツールに対して、これを評価しています。 私たちの研究は、REST APIテストにおいて、小さな言語モデルは、大きな言語モデルと同様に、あるいは、より良く機能することができることを示しています。
  論文  参考訳（メタデータ） (2025-01-15T05:51:20Z)
• QuIM-RAG: Advancing Retrieval-Augmented Generation with Inverted Question Matching for Enhanced QA Performance [1.433758865948252]
  本研究では,RAG(Retrieval-Augmented Generation)システム構築のための新しいアーキテクチャを提案する。 RAGアーキテクチャは、ターゲット文書から応答を生成するために構築される。 本稿では,本システムにおける検索機構の新しいアプローチQuIM-RAGを紹介する。
  論文  参考訳（メタデータ） (2025-01-06T01:07:59Z)
• Unanswerability Evaluation for Retrieval Augmented Generation [74.3022365715597]
  UAEval4RAGは、RAGシステムが解答不能なクエリを効果的に処理できるかどうかを評価するために設計されたフレームワークである。 我々は、6つの未解決カテゴリを持つ分類を定義し、UAEval4RAGは、多様で挑戦的なクエリを自動的に合成する。
  論文  参考訳（メタデータ） (2024-12-16T19:11:55Z)
• Failing Forward: Improving Generative Error Correction for ASR with Synthetic Data and Retrieval Augmentation [73.9145653659403]
  生成誤差補正モデルは、トレーニング中に発生する特定の種類のエラーを超えて一般化することが困難であることを示す。 DARAGは、ドメイン内(ID)およびOODシナリオにおけるASRのためのGCCを改善するために設計された新しいアプローチである。 私たちのアプローチはシンプルでスケーラブルで、ドメインと言語に依存しません。
  論文  参考訳（メタデータ） (2024-10-17T04:00:29Z)
• RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
  本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。 事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。 実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
  論文  参考訳（メタデータ） (2024-08-02T13:35:11Z)
• RAGBench: Explainable Benchmark for Retrieval-Augmented Generation Systems [0.0]
  Retrieval-Augmented Generation (RAG)は、ユーザ向けチャットアプリケーションにおけるドメイン固有の知識の標準的なアーキテクチャパターンとなっている。 RAGBenchは、100kのサンプルからなる、最初の包括的な大規模RAGベンチマークデータセットである。 TRACe評価フレームワークは、すべてのRAGドメインに適用可能な説明可能かつ実行可能なRAG評価指標のセットである。
  論文  参考訳（メタデータ） (2024-06-25T20:23:15Z)
• Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
  RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。 評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T19:53:23Z)
• Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
  現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。 現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。 我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
  論文  参考訳（メタデータ） (2023-09-08T20:27:05Z)

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。