論文の概要: Bridge: Automatically Mining Ecosystem-Scale API Update Mappings and Client Update Instances

• arxiv url: http://arxiv.org/abs/2608.30497v1
• Date: Mon, 31 Aug 2026 09:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.329423
• Title: Bridge: Automatically Mining Ecosystem-Scale API Update Mappings and Client Update Instances
• Title（参考訳）: Bridge: エコシステム規模のAPIアップデートマッピングとクライアントアップデートインスタンスの自動マイニング
• Abstract要約: APIアップデートマッピングは、自動ライブラリ更新技術の開発と評価に不可欠である。 私たちは、エコシステムスケールのライブラリ更新データセットを自動構築するクライアント駆動フレームワークであるBridgeを紹介します。 Bridgeは、それぞれ2,557ライブラリと999ライブラリにわたる18,900と4,456のAPIアップデートマッピングを表す、381,661 Javaと277,259 Pythonクライアントアップデートインスタンスをマイニングする。
• 参考スコア（独自算出の注目度）: 13.886877756519516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Library updates often require adapting client code to API changes. API update mappings that identify relations between legacy and replacement APIs, version transitions that these mappings apply, and client update instances that capture concrete API call changes are essential for developing and evaluating automated library update techniques. Existing library evolution datasets capture only subsets of this information and typically cover few third-party libraries. In this paper, we present Bridge, a client-driven framework for automatically constructing ecosystem-scale library update datasets that connect API update mappings, version transitions, and client update instances. Bridge first mines candidate update instances from client dependency update commits at scale, validates them using library-side evidence, and then derives API update mappings from validated instances. This design grounds each retained mapping in at least one client update instance. On a manually annotated ground truth dataset, Bridge achieves 91.6% precision and 88.7% recall for Java and 90.1% precision and 64.0% recall for Python. Applied to WoC V3, Bridge mines 381,661 Java and 277,259 Python client update instances, representing 18,900 and 4,456 API update mappings across 2,557 and 999 libraries, respectively. The mined mappings exhibit a pronounced long-tail distribution, with most appearing in only a few client update instances. As one application of the dataset, we evaluate four large language models on replacement API recommendation, a key step in library updates. The best recommendation accuracy reaches only 37.1% for Java and 44.4% for Python, and all evaluated models perform substantially better on frequently observed mappings than on mappings observed in only a few client update instances, highlighting the difficulty current LLMs face in recommending replacements for mappings in the long tail.
• Abstract（参考訳）: ライブラリのアップデートは、しばしばAPIの変更にクライアントコードを適用する必要がある。 レガシーとリプレースAPIの関係を識別するAPIアップデートマッピング、これらのマッピングが適用するバージョン移行、具体的なAPIコールの変更をキャプチャするクライアントアップデートインスタンスは、自動ライブラリ更新技術の開発と評価に不可欠である。 既存のライブラリ進化データセットは、この情報のサブセットのみをキャプチャし、通常、少数のサードパーティ製ライブラリをカバーする。 本稿では、API更新マッピング、バージョン移行、クライアント更新インスタンスを接続するエコシステムスケールのライブラリ更新データセットを自動構築するクライアント駆動フレームワークであるBridgeを提案する。 Bridgeはまず、クライアント依存のアップデートコミットから候補更新インスタンスを大規模にマイニングし、ライブラリ側のエビデンスを使用して検証し、検証済みインスタンスからAPIアップデートマッピングを導出する。 この設計は、各保持されたマッピングを少なくとも1つのクライアント更新インスタンスに格納する。 手動でアノテートされた地上真実データセットでは、Bridgeは91.6%の精度、Javaは88.7%のリコール、90.1%の精度、Pythonは64.0%のリコールを達成した。 WoC V3を適用すると、Bridgeは381,661のJavaと277,259のPythonクライアントアップデートインスタンスをマイニングし、それぞれ2,557ライブラリと999ライブラリにわたる18,900と4,456のAPIアップデートマッピングを表現している。 マイニングされたマッピングは明らかに長い尾の分布を示しており、ほとんどはクライアントの更新インスタンスにのみ表示される。 データセットの1つのアプリケーションとして,ライブラリ更新における重要なステップであるAPIレコメンデーションの代替として,4つの大きな言語モデルを評価する。 最高のレコメンデーション精度は、Javaで37.1%、Pythonで44.4%に過ぎず、評価されたモデルはすべて、いくつかのクライアントアップデートインスタンスでのみ観察されるマッピングよりも、頻繁に観察されるマッピングで大幅に向上している。

関連論文リスト

• LibEvoBench: Probing Temporal Knowledge Stratification in Code Generation Models [12.441288958152931]
  大規模なソフトウェアプロジェクトは、リリース全体にわたってAPIが進化し続けるにもかかわらず、古いバージョンのライブラリに依存することが多い。 最新のものや最も一般的なものではなく、複数のAPIバージョンに関する知識を維持する必要がある。 我々は、複数のバージョンのPythonライブラリにまたがるベンチマークであるLibEvoBenchと、新しいメトリクスであるSoftware Evolution Understanding Score(SEUS)を紹介し、進化するAPIを扱う際のモデルの一貫性を測定する。
  論文  参考訳（メタデータ） (2026-06-24T04:58:28Z)
• Agentic Generation of AST Transformation Rules for Fixing Breaking Updates [7.3317421627601425]
  固定変換を生成するエージェントフレームワークであるBigBagを紹介する。 BigBagは、APIレベルで修復ロジックをエンコードし、同じアップデートで壊れたクライアントに転送する。 プロジェクト間で生成された転送は、すべてのクライアントが影響を受けるAPI要素を均一に呼び出す更新のために、全体の33.3%と80%以上のプロジェクト間の修正率を達成する。
  論文  参考訳（メタデータ） (2026-06-23T11:27:35Z)
• Byam: Fixing Breaking Dependency Updates with Large Language Models [6.659062916058674]
  廃止、パラメータ名や型の変更、新しいAPIへの完全な置き換えといったAPIの変更は、既存のクライアントコードを壊す可能性がある。 APIユーザがこれらのブレークの原因を特定して、それに従ってコードを更新するのは、しばしば面倒です。 依存関係の更新の破壊に対応するため、クライアントコードの更新を自動化するために、LLM(Large Language Models)の使用について検討する。
  論文  参考訳（メタデータ） (2025-05-12T13:03:26Z)
• SWE-smith: Scaling Data for Software Engineering Agents [100.30273957706237]
  SWE-smithは、大規模なソフトウェアエンジニアリングトレーニングデータを生成するための新しいパイプラインである。 128のGitHubリポジトリからソースされた50kインスタンスのデータセットを作成します。 我々はSWE-agent-LM-32Bをトレーニングし、SWE-bench Verifiedベンチマークで40.2%のPass@1リゾルバ率を達成した。
  論文  参考訳（メタデータ） (2025-04-30T16:56:06Z)
• Reinforcement Learning for Long-Horizon Interactive LLM Agents [56.9860859585028]
  インタラクティブデジタルエージェント(IDA)は、ステートフルなデジタル環境のAPIを利用して、ユーザの要求に応じてタスクを実行する。 対象環境で直接IDAを訓練する強化学習(RL)手法を提案する。 我々は、近似ポリシー最適化のデータおよびメモリ効率の亜種である LOOP を導出する。
  論文  参考訳（メタデータ） (2025-02-03T18:35:42Z)
• A Systematic Evaluation of Large Code Models in API Suggestion: When, Which, and How [53.65636914757381]
  API提案は、現代のソフトウェア開発において重要なタスクである。 大規模コードモデル(LCM)の最近の進歩は、API提案タスクにおいて有望であることを示している。
  論文  参考訳（メタデータ） (2024-09-20T03:12:35Z)
• CodeUpdateArena: Benchmarking Knowledge Editing on API Updates [77.81663273436375]
  コードドメインの知識編集のためのベンチマークであるCodeUpdateArenaを提示する。 私たちのベンチマークのインスタンスは、プログラム合成例と組み合わせた合成API関数のアップデートで構成されています。 ベンチマークでは、7つのPythonパッケージから54の関数へ、さまざまなタイプの更新をカバーしています。
  論文  参考訳（メタデータ） (2024-07-08T17:55:04Z)
• Language Modeling with Editable External Knowledge [90.7714362827356]
  本稿では,新たな文書取得時のモデル動作を改善するERASEを提案する。 ドキュメントを追加するたびに、知識ベースで他のエントリを段階的に削除または書き直します。 7-13%(Mixtral-8x7B)と6-10%(Llama-3-8B)の精度を向上する。
  論文  参考訳（メタデータ） (2024-06-17T17:59:35Z)
• API Pack: A Massive Multi-Programming Language Dataset for API Call Generation [30.466726273695144]
  API Packは、100万以上の命令API呼び出しを含む巨大なマルチプログラミング言語データセットである。 API Packの微調整により、完全に新しいAPI呼び出しのためのコード生成において、オープンソースモデルはGPT-3.5とGPT-4を上回ります。
  論文  参考訳（メタデータ） (2024-02-14T23:09:15Z)
• Learning to Learn from APIs: Black-Box Data-Free Meta-Learning [99.56612787882334]
  データフリーなメタラーニング(DFML)は、トレーニングデータにアクセスせずに事前訓練されたモデルの集合からメタラーニングすることで、新しいタスクの効率的な学習を可能にすることを目的としている。 既存のDFMLの作業は、(i)ホワイトボックスと(ii)小規模事前訓練モデルからしかメタ学習できない。 ブラックボックスAPIの集合から単一のモデルへ,より一般的なメタ知識を伝達するための,バイレベルデータフリーなメタ知識蒸留(BiDf-MKD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T18:00:12Z)
• Evaluating Embedding APIs for Information Retrieval [51.24236853841468]
  ドメインの一般化と多言語検索における既存のセマンティック埋め込みAPIの機能を評価する。 BM25の結果をAPIを使って再ランク付けすることは、予算に優しいアプローチであり、英語でもっとも効果的である。 非英語検索では、再ランク付けは結果を改善するが、BM25のハイブリッドモデルは高いコストで機能する。
  論文  参考訳（メタデータ） (2023-05-10T16:40:52Z)
• Injecting Domain Adaptation with Learning-to-hash for Effective and Efficient Zero-shot Dense Retrieval [49.98615945702959]
  我々は,TAS-B高密度検索器の下流ゼロショット検索精度を向上させるためのLTHおよびベクトル圧縮技術を評価する。 以上の結果から, 従来の研究とは異なり, LTH法はゼロショットTAS-B高密度レトリバーを平均14%のnDCG@10で過小評価できることがわかった。
  論文  参考訳（メタデータ） (2022-05-23T17:53:44Z)
• Killing Two Birds with One Stone: Stealing Model and Inferring Attribute from BERT-based APIs [26.38350928431939]
  本稿では,BERTベースのAPIを事実上盗むことができる効果的なモデル抽出攻撃を提案する。 BERTベースのAPIで使用されるトレーニングデータのセンシティブな属性を明らかにするための効果的な推論攻撃を開発する。
  論文  参考訳（メタデータ） (2021-05-23T10:38:23Z)

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。