論文の概要: GraphAHA: Graph-Based Adaptive Search with Heterogeneous Actions for Test-Time Code Generation

• arxiv url: http://arxiv.org/abs/2609.12757v1
• Date: Fri, 11 Sep 2026 12:08:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.736567
• Title: GraphAHA: Graph-Based Adaptive Search with Heterogeneous Actions for Test-Time Code Generation
• Title（参考訳）: GraphAHA: テスト時間コード生成のための不均一なアクション付きグラフベースの適応検索
• Abstract要約: テストタイムスケーリングは、直接サンプリング、フィードバック条件付き修復、推論誘導実装に追加の推論予算(呼び出しやトークンなど)を費やすことで、コード生成を改善する。 異種行動を用いた適応グラフ探索法(GraphAHA)を提案する。 GraphAHAは、型付き有向非循環グラフでテスト時コード生成を編成する。等価プログラムは単一のコードノードにマージされ、下流の検索統計をすべての発見パスで再利用することができる。
• 参考スコア（独自算出の注目度）: 19.00432566076247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test-time scaling improves code generation by spending additional inference budget (e.g., calls or tokens) on direct sampling, feedback-conditioned repair, and reasoning-guided implementation. Search-based methods can allocate this budget adaptively, but two challenges remain. First, tree-structured search treats each generation history as a separate state even when trajectories converge to the same program, duplicating evaluation and preventing statistics from being shared. Second, sampling, repair, and reasoning have complementary and state-dependent payoffs, making online allocation among them difficult under a finite budget. To address these challenges, we propose an adaptive graph search method with heterogeneous actions (GraphAHA). GraphAHA organizes the test-time code generation in a typed directed acyclic graph. Equivalent programs are merged into a single code node, allowing their downstream search statistics to be reused across all discovery paths. Hierarchical Thompson sampling then selects whether to generate a new state or follow an existing successor and, for generation, chooses among the type-valid sampling, reasoning, implementation, and repair operations. Evaluated on LiveCodeBench and CodeContests with Qwen2.5-Coder and DeepSeek-Coder, GraphAHA achieves the best score in 18 of 20 cases. For Pass@1 measured using visible tests, it outperforms the strongest baseline for both models on both benchmarks by 4.1 percentage points on average, demonstrating more effective use of a fixed inference budget.
• Abstract（参考訳）: テストタイムスケーリングは、直接サンプリング、フィードバック条件付き修復、推論誘導実装に追加の推論予算(呼び出しやトークンなど)を費やすことで、コード生成を改善する。 検索ベースの手法はこの予算を適応的に割り当てることができるが、2つの課題が残る。 まず、木構造検索は、軌跡が同じプログラムに収束した場合でも、それぞれの世代履歴を別の状態として扱い、評価を重複させ、統計情報の共有を防止する。 第二に、サンプリング、修復、推論は相補的で州に依存した報酬であり、その間のオンライン割り当ては有限の予算の下で困難である。 これらの課題に対処するため、不均一な動作を持つ適応グラフ探索法(GraphAHA)を提案する。 GraphAHAは、型付き有向非巡回グラフでテスト時間コード生成を編成する。 等価プログラムは単一のコードノードにマージされ、下流の検索統計情報を全ての発見パスで再利用することができる。 階層的なトンプソンサンプリングは、新しい状態を生成するか、既存の後継者に従うかを選択する。 Qwen2.5-CoderとDeepSeek-CoderでLiveCodeBenchとCodeContestsを評価したGraphAHAは、20ケース中18ケースで最高のスコアを獲得している。 可視性テストを用いて測定されたPass@1は、両方のベンチマークにおいて、両方のモデルで最強のベースラインを平均4.1ポイント上回り、固定された推論予算をより効果的に利用することを示す。

関連論文リスト

• Harness-G: A Graph-Structured Harness for Search Agents [17.554676400013424]
  強化学習(RL)検索エージェントは、検索を自由形式の自然言語クエリ生成としてモデル化する。 本稿では,このインタフェースを再設計するグラフ構造化検索フレームワークであるHarness-Gを提案する。 フリーフォームクエリ生成を有限アクション選択として再構成し、環境はメニューを構築し、検索状態を追跡し、それぞれの選択を検証、実行します。 両方の評価されたモデルスケールでF1の平均値が最も高く、最強のベースラインであるGraph-R1を1.5Bで10.74点、3Bで3.98点で上回っている。
  論文  参考訳（メタデータ） (2026-07-30T04:05:05Z)
• Developing a Totally Unimodular Linear Program for Optimal Conformance Checking: When and Why It Complements A* [0.324890820102255]
  本稿では、完全一様線形プログラム(LP)としてのアライメントに基づく整合性チェックの再構成を提案する。 基礎となるネットワークフロー構造を利用することで、LP緩和による最適極点解が保証される。 両手法を併用した単純なアルゴリズム選択ガイドラインを導出し, 平均実行時節約率38.6%, 選択精度96%を実現した。
  論文  参考訳（メタデータ） (2026-05-26T12:30:23Z)
• An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation [50.09718257952108]
  Sequentialsolvは、シーケンシャルなパターンとセマンティックなアイテム情報を組み合わせたジェネレーティブなレコメンデーターへと移行している。 これらの手法は、しばしば、広く使われている少数のベンチマークで評価され、重要な疑問を提起する: これらのベンチマークは、現代のジェネレーティブレコメンデーターが提供しようとしている高度なモデリング機能を必要としているか? 我々は、意図的な単純なグラフでベンチマーク監査を行い、最後の1つか2つの項目から、数ホップの項目遷移グラフから候補を検索し、項目間類似度でランク付けする。
  論文  参考訳（メタデータ） (2026-05-08T02:00:11Z)
• $V_1$: Unifying Generation and Self-Verification for Parallel Reasoners [69.66089681814013]
  $V_$は、効率的なペアワイドランキングを通じて生成と検証を統合するフレームワークである。 V_$-Inferはポイントワイド検証でPass@1を最大10%改善する。 V_$-PairRLは、標準のRLとポイントワイドのジョイントトレーニングよりも、テストタイムのスケーリングが7ドル--9%で向上する。
  論文  参考訳（メタデータ） (2026-03-04T17:22:16Z)
• Covariate-assisted graph matching [1.4466802614938332]
  そこで我々は,シードと呼ばれるノードの集合の部分的アライメントが知られている2つの新しいグラフマッチング法を提案する。 本手法の有効性は,数値実験および統計学系譜と協調ネットワークのマッチングへの応用を通じて実証された。
  論文  参考訳（メタデータ） (2025-12-12T18:12:56Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• A Benchmark for Maximum Cut: Towards Standardization of the Evaluation of Learned Heuristics for Combinatorial Optimization [12.016449555335976]
  我々はNP-hard Maximum Cut問題に特化しているオープンソースのベンチマークスイートMaxCut-Benchを提案する。 我々は、このベンチマークを用いて、いくつかの一般的な学習ベースのアプローチの結果を体系的に相関づけたり、再現したりしようとする。 以上の結果から, 学習者の数人は, ナイーブな欲求アルゴリズムを上回り得ず, タブサーチを一貫して上回っているのはそのうちの1人だけであることが示唆された。
  論文  参考訳（メタデータ） (2024-06-14T19:44:23Z)
• Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls and New Benchmarking [66.83273589348758]
  リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。 近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。 これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
  論文  参考訳（メタデータ） (2023-06-18T01:58:59Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Provable Training Set Debugging for Linear Regression [17.138864028618276]
  まず、バグ点を特定するための一般的な統計アルゴリズムを定式化し、厳密な理論的保証を提供する。 次に、我々の一般理論の結果と、クリーンな点とバギーな点に対する推定器の依存性を説明するための2つのケーススタディを示す。
  論文  参考訳（メタデータ） (2020-06-16T09:14:44Z)

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。