論文の概要: KG-Commit: A Dynamic Knowledge Graph for Online Just-in-Time Software Defect Prediction
- arxiv url: http://arxiv.org/abs/2609.06272v2
- Date: Thu, 10 Sep 2026 11:43:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.040664
- Title: KG-Commit: A Dynamic Knowledge Graph for Online Just-in-Time Software Defect Prediction
- Title（参考訳）: KG-Commit: オンラインジャストインタイムソフトウェア欠陥予測のための動的知識グラフ
- Authors: Mohsen Hesamolhokama, Mohammad Sina Beyrami Aghbash, Behnam Rohani, Mohammadamin Fazli, Jafar Habibi,
- Abstract要約: ジャスト・イン・タイムのソフトウェア欠陥予測(JIT-SDP)は、開発者が到着した時にリスクのあるコミットを特定し、タイムリーなフィードバックを提供することを目的としている。
この低レイテンシの必要性は、ほとんどのアプローチにおいて、コミットレベルの情報に依存し、変更が発生するプロジェクトコンテキストの広さを見落としている。
KG-Commitは、リポジトリ履歴、ファイル内コード構造、プロジェクトの進化に伴ってコミットセマンティクスを漸進的に維持する動的知識グラフである。
- 参考スコア（独自算出の注目度）: 2.5974163062892583
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Just-in-time software defect prediction (JIT-SDP) aims to identify risky commits as they arrive and provide developers with timely feedback. This need for low latency has led most approaches to rely on commit-level information and overlook the broader project context in which a change occurs. Incorporating this context is challenging because it requires both efficient retrieval for incoming commits and continual maintenance as the repository evolves. We introduce KG-Commit, a dynamic knowledge graph that incrementally maintains repository history, within-file code structure, and commit semantics as the project evolves. It also uses an AST-delta mechanism to track structural changes between file edits and relies on lightweight graph inference running entirely on CPU. Our evaluation on 11 Apache software projects against six baselines shows that KG-Commit achieves the highest aggregate Macro-F1 (0.704), G-Mean (0.706), and AUC (0.809) using our selected inference pipeline. Under a realistic online protocol, it outperforms LR, HGB, RF, and DeepJIT on all 11 projects, LApredict on 10, and JITLine on 9 projects in Macro-F1, with the aggregate paired difference significant in every case. KG-Commit processes each commit in approximately 1.33~s, with a cost that remains stable as the graph grows and is compatible with commit rates observed in real-world projects. These findings show that rich project context can be efficiently maintained and exploited for online JIT-SDP.
- Abstract（参考訳）: ジャスト・イン・タイムのソフトウェア欠陥予測(JIT-SDP)は、開発者が到着した時にリスクのあるコミットを特定し、タイムリーなフィードバックを提供することを目的としている。
この低レイテンシの必要性は、ほとんどのアプローチにおいて、コミットレベルの情報に依存し、変更が発生するプロジェクトコンテキストの広さを見落としている。
このコンテキストを組み込むには、受信したコミットの効率的な検索と、リポジトリの進化に伴う継続的なメンテナンスの両方が必要であるため、難しい。
KG-Commitは、リポジトリ履歴、ファイル内コード構造、プロジェクトの進化に伴ってコミットセマンティクスを漸進的に維持する動的知識グラフである。
また、AST-deltaメカニズムを使用してファイル編集間の構造変化を追跡し、完全にCPU上で動作する軽量なグラフ推論に依存している。
6つのベースラインに対する11のApacheソフトウェアプロジェクトに対する評価は、KG-Commitが、選択した推論パイプラインを使用して、Macro-F1 (0.704)、G-Mean (0.706)、AUC (0.809) の合計を達成していることを示している。
現実的なオンラインプロトコルの下では、LR、HGB、RF、DeepJITを全11プロジェクト、LApredict on 10、JITLineをMacro-F1の9プロジェクトで上回り、合計ペア差はすべてのケースで顕著である。
KG-Commitは各コミットを約1.33〜秒で処理し、グラフが大きくなるにつれてコストが安定し、実際のプロジェクトで観測されるコミットレートと互換性がある。
これらの結果から, オンラインJIT-SDPにおいて, リッチなプロジェクトコンテキストを効率的に管理し, 活用できることが示唆された。
関連論文リスト
- ProjDevBench: Benchmarking AI Coding Agents on End-to-End Project Development [49.63491095660809]
ProjDevBenchはエンドツーエンドのベンチマークで、コーディングエージェントにプロジェクト要件を提供し、その結果のリポジトリを評価する。
概念指向タスクと実世界のアプリケーションシナリオの両方をカバーし、8つのカテゴリにまたがる20のプログラミング問題をキュレートします。
エージェントは基本的な機能を扱うが、複雑なシステム設計、時間最適化、リソース管理に苦労する。
論文 参考訳（メタデータ） (2026-02-02T05:17:23Z) - Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ
これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。
既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。
我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
論文 参考訳（メタデータ） (2025-09-25T06:48:52Z) - LoCoBench: A Benchmark for Long-Context Large Language Models in Complex Software Engineering [85.58151741052616]
LoCoBenchは、現実的で複雑なソフトウェア開発シナリオにおいて、長いコンテキストのLLMを評価するために特別に設計されたベンチマークである。
ベンチマークでは,10言語にまたがって8000の評価シナリオを体系的に生成する。
LoCoBenchは8つのタスクカテゴリを導入し、重要なコンテキスト理解機能をキャプチャしている。
論文 参考訳（メタデータ） (2025-09-11T16:55:04Z) - LLM-Driven Collaborative Model for Untangling Commits via Explicit and Implicit Dependency Reasoning [15.20947984949809]
コミット回避のための新しいコラボレーティブコンサルテーションフレームワークであるColaUntangleを提案する。
ColaUntangleは、LLM(Large Language Model)駆動エージェントをマルチエージェントアーキテクチャに統合する。
広く使われている2つのデータセット(1,612 C#と14k Java tangledコミット)上でColaUntangleを評価する。
論文 参考訳（メタデータ） (2025-07-22T09:42:13Z) - SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving [90.32201622392137]
We present SwingArena, a competitive evaluation framework for Large Language Models (LLMs)。
従来の静的ベンチマークとは異なり、SwingArenaはLLMをイテレーションとして組み合わせて、テストケースを作成し、継続的インテグレーション(CI)パイプラインを通じてパッチを検証するパッチとレビュアーを生成することで、ソフトウェアのコラボレーションプロセスをモデル化する。
論文 参考訳（メタデータ） (2025-05-29T18:28:02Z) - Towards Source Mapping for Zero-Knowledge Smart Contracts: Design and Preliminary Evaluation [9.952399779710044]
本稿では,zkSolcコンパイルパイプライン内のSolidityソースコード,LLVM IR,zkEVMバイトコード間のトレーサビリティを確立するためのソースマッピングフレームワークを提案する。
我々は,50のベンチマークコントラクトと500の現実世界のzkSyncコントラクトのデータセット上でフレームワークを評価し,標準のSolidity構造に対して約97.2%のマッピング精度を観測した。
論文 参考訳（メタデータ） (2025-04-06T01:42:07Z) - Enhancing repository-level software repair via repository-aware knowledge graphs [13.747293341707563]
リポジトリレベルのソフトウェア修復は、問題記述とコードパッチの間のセマンティックギャップを埋める際の課題に直面します。
既存のアプローチは、大きな言語モデル(LLM)に依存しており、意味的曖昧さ、構造的文脈の限られた理解、推論能力の不足によって妨げられている。
本稿では,リポジトリアーティファクト(課題とプル要求)とエンティティ(ファイル,クラス,関数)を正確にリンクする新しいリポジトリ対応知識グラフ(KG)を提案する。
KGをマイニングした経路を利用する経路誘導補修機構により,説明とともに文脈情報を拡張することができる。
論文 参考訳（メタデータ） (2025-03-27T17:21:47Z) - Explainable Sparse Knowledge Graph Completion via High-order Graph
Reasoning Network [111.67744771462873]
本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。
高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。
情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
論文 参考訳（メタデータ） (2022-07-14T10:16:56Z)
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。