論文の概要: CoSTAR: Data Synthesis-Driven Constraint-Aware COBOL Section Summarization for Legacy System Modernization

• arxiv url: http://arxiv.org/abs/2609.11332v1
• Date: Thu, 10 Sep 2026 10:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.300995
• Title: CoSTAR: Data Synthesis-Driven Constraint-Aware COBOL Section Summarization for Legacy System Modernization
• Title（参考訳）: CoSTAR: レガシーシステム近代化のためのデータ合成駆動制約対応COBOL節要約
• Abstract要約: CoSTARは、実行検証データ合成と制約認識トレーニングを組み合わせた統合フレームワークである。 我々はCoSTARを公共および機密の企業システムの両方で評価する。
• 参考スコア（独自算出の注目度）: 12.071793069280623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: COBOL remains critical to governments, financial institutions, and large enterprises; yet, aging technologies, shrinking expertise, and missing documentation make modernization of COBOL-based legacy systems increasingly urgent. Before migration, code summarization is a common practice to support legacy system understanding. However, COBOL code summarization, especially on section-level, faces two key challenges: data scarcity and migration constraint preservation. To address these challenges, we propose CoSTAR, an integrated framework that combines execution-validated data synthesis with constraint-aware model training. CoSTAR repurposes general-purpose programming tasks to synthesize execution-validated COBOL code-summary data through LLM-based generation to overcome data scarcity. Based on the synthesized data, CoSTAR augments target sections with relevant data declarations and natural-language explanations, and uses constraint-guided structured rationales to train smaller base LLMs. The trained LLMs preserve the migration constraints for COBOL section summarization. We evaluate CoSTAR on both public and confidential enterprise COBOL systems. CoSTAR effectively synthesizes 3,764 execution-validated training instances. Based on these instances, CoSTAR built on 7B/8B base LLMs can improve these LLMs with average relative gains of 25.38% on ROUGE-L, 53.84% on METEOR, and 37.22% on chrF. In real-world enterprise evaluation, CoSTAR built on only Qwen3-8B, outperforms the enterprise-deployed Qwen3-235B in accuracy, completeness, and conciseness. These results show that CoSTAR enables small, locally deployable LLMs to achieve performance competitive with substantially larger LLMs for privacy-sensitive COBOL legacy systems.
• Abstract（参考訳）: COBOLは依然として政府、金融機関、大企業にとって重要な存在であるが、高齢化技術、専門知識の縮小、文書の欠如により、COBOLベースのレガシーシステムの近代化がますます急務になっている。 マイグレーション前、コードの要約はレガシーシステム理解をサポートする一般的なプラクティスです。 しかし、特にセクションレベルでのCOBOLコードの要約は、データの不足とマイグレーション制約の保存という2つの大きな課題に直面している。 このような課題に対処するため,我々は,実行検証データ合成と制約認識モデルトレーニングを組み合わせた統合フレームワークCoSTARを提案する。 CoSTARは汎用プログラミングタスクを再利用し、実行検証済みのCOBOLコードサマリーデータをLCMベースの生成により合成し、データの不足を克服する。 合成データに基づいて、CoSTARは、関連するデータ宣言と自然言語の説明を含むターゲットセクションを拡張し、制約誘導構造的論理を用いてより小さなベースLLMを訓練する。 訓練されたLLMはCOBOL区間要約のマイグレーション制約を保存する。 我々は,公立および機密企業COBOLシステム上でのCoSTARの評価を行った。 CoSTARは,3,764の実行検証トレーニングインスタンスを効果的に合成する。 これらの例に基づいて、7B/8BのLLMで製造されたCoSTARは、ROUGE-Lで平均25.38%、METEORで53.84%、chrFで37.22%の相対的な利得でこれらのLLMを改善することができる。 実世界の企業評価において、CoSTARはQwen3-8Bのみをベースとして構築され、正確性、完全性、簡潔性において、エンタープライズにデプロイされたQwen3-235Bを上回っている。 これらの結果から,CoSTARは,プライバシに敏感なCOBOLレガシシステムにおいて,小規模でローカルにデプロイ可能なLLMに対して,より大きなLLMと競合する性能を実現することができることがわかった。

関連論文リスト

• SEDCoT: Enhancing LLM-Based COBOL Code Translation via Symbolic Execution and Delta Debugging [49.898541267264115]
  古い技術や疎結合なドキュメンテーション、開発者の引退などによって、メンテナンスはますます難しくなっている。 従来のルールベースのトランスコンパイラは、読み書きが難しい出力を出力する。 本稿では,新しいC言語翻訳フレームワークであるSEDCoTを提案する。
  論文  参考訳（メタデータ） (2026-07-05T03:07:10Z)
• COBOLAssist: Analyzing and Fixing Compilation Errors for LLM-Powered COBOL Code Generation [10.733306714499067]
  本稿では,コンパイルエラーの問題を考察し,これらの問題に対処するための大規模言語モデル(LLM)を利用したフレームワークを提案する。 まず、LLM生成コードの一般的なコンパイルエラーを、不完全なコードエラー、構文エラー、型関連エラーの3つのグループに分類する。
  論文  参考訳（メタデータ） (2026-04-05T05:51:54Z)
• Evaluating and Achieving Controllable Code Completion in Code LLM [89.64782747840225]
  命令誘導型コード補完ベンチマークである制御可能コード補完ベンチマーク(C3-Bench)を提案する。 コード補完作業中に,オープンソースのプロプライエタリモデルと高度なプロプライエタリモデルの間に,命令追従機能にかなりのギャップがあることを明らかにする。 結果として得られたQwen2.5-Coder-C3は、C3-Bench上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-22T11:40:04Z)
• CFCEval: Evaluating Security Aspects in Code Generated by Large Language Models [10.539924362853233]
  大規模言語モデル(LLM)が生成するコードの品質とセキュリティを評価するためのフレームワークであるCFCEvalを紹介する。 CFCEvalは、MLVBenchという新しいベンチマークを作成してデータセットバイアスを緩和し、参照コードと生成されたコードとの関連性を評価するために設計された新しいメトリクスであるELRMを組み込んだ。 我々の実験では、CFCEvalは生成されたコードの品質とセキュリティの両方を効果的に捉えているだけでなく、そのELRMがCodeBLEUよりも人間の判断と密接に一致していることが示されている。
  論文  参考訳（メタデータ） (2025-12-06T02:20:31Z)
• MERA Code: A Unified Framework for Evaluating Code Generation Across Tasks [56.34018316319873]
  我々は,最新のLLMをロシア語で評価するためのベンチマークであるMERA Codeを提案する。 このベンチマークには、8つのプログラミング言語にまたがる11の評価タスクが含まれている。 我々はオープンなLLMとフロンティアAPIモデルを評価し、非英語言語における実用的なコーディングタスクの観点からそれらの制限を分析した。
  論文  参考訳（メタデータ） (2025-07-16T14:31:33Z)
• CodeArena: A Collective Evaluation Platform for LLM Code Generation [46.800918377886184]
  CodeArenaは、LLM(Large Language Models)コード生成に適したオンライン評価フレームワークである。 鍵となる革新は、総合的な評価メカニズムであり、それは、個々のモデルのスコアを、すべての参加モデルの全体的パフォーマンスに基づいて再分類するものである。 CodeArenaは、提出されたすべてのソリューションとテストケースへのオープンアクセスを保証し、コード評価ワークフローを合理化するための自動化フレンドリなAPIを提供する。
  論文  参考訳（メタデータ） (2025-03-03T08:31:16Z)
• HexaCoder: Secure Code Generation via Oracle-Guided Synthetic Training Data [60.75578581719921]
  大規模言語モデル(LLM)は、自動コード生成に大きな可能性を示している。 最近の研究は、多くのLLM生成コードが深刻なセキュリティ脆弱性を含んでいることを強調している。 我々は,LLMがセキュアなコードを生成する能力を高めるための新しいアプローチであるHexaCoderを紹介する。
  論文  参考訳（メタデータ） (2024-09-10T12:01:43Z)
• Code Needs Comments: Enhancing Code LLMs with Comment Augmentation [91.52444946362547]
  本稿では、既存のコードに対するコメントを生成する新しいデータ拡張手法と、自然言語と相関の低いコードデータをフィルタリングするデータフィルタリング戦略を導入する。 我々は3つのコード中心の大規模言語モデルの実験を行い、2つの広く使われているプログラミングスキルベンチマークで一貫した性能向上を観察した。
  論文  参考訳（メタデータ） (2024-02-20T13:56:38Z)
• StepCoder: Improve Code Generation with Reinforcement Learning from Compiler Feedback [58.20547418182074]
  2つの主要コンポーネントからなるコード生成の新しいフレームワークであるStepCoderを紹介します。 CCCSは、長いシーケンスのコード生成タスクをCurriculum of Code Completion Subtaskに分割することで、探索課題に対処する。 FGOは、未実行のコードセグメントをマスクすることでのみモデルを最適化し、Fine-Grained Optimizationを提供する。 提案手法は,出力空間を探索し,対応するベンチマークにおいて最先端の手法より優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-02-02T13:14:31Z)

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。