論文の概要: AdaRepair-Mem: Adaptive Experience Orchestration for Repository-Level Program Repair
- arxiv url: http://arxiv.org/abs/2609.20130v1
- Date: Thu, 17 Sep 2026 12:23:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.257792
- Title: AdaRepair-Mem: Adaptive Experience Orchestration for Repository-Level Program Repair
- Title（参考訳）: AdaRepair-Mem:レポジトリレベルプログラム修復のための適応的経験オーケストレーション
- Abstract要約: 本稿では,リポジトリレベルのプログラム修復のための適応型エクスペリエンス検索フレームワークを提案する。
本フレームワークでは,カバレッジ・アウェア・検索,品質・アウェア・セレクション,ステージ・アウェア・ルーティングを導入している。
以上の結果から,メモリ拡張修復の鍵は,単により多くの経験を蓄積するだけでなく,適切な修復コンテキストに対する適切な経験を回収することにあることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent memory-augmented repository-level program repair methods reuse historical repair experiences to improve LLM-based issue resolution. However, our analysis reveals three limitations in existing repository-level memory retrieval. First, episodic memory is highly imbalanced across repositories, leaving low-resource repositories with little effective support. Second, more memory does not monotonically lead to higher repair success, suggesting that relevance, quality, and redundancy matter more than raw memory volume. Third, memory accumulation is phase-misaligned: repositories may contain many reproduction experiences but few patch or refinement experiences. To address these problems, we propose an adaptive experience retrieval framework for repository-level program repair. Our framework introduces coverage-aware retrieval, which falls back to cross-repository or repair-type-based memories when same-repository memory is insufficient; quality-aware selection, which ranks memories by relevance, historical utility, specificity, and redundancy; and stage-aware routing, which separates and retrieves memories for reproduction, localization, patch generation, patch refinement, and validation. Evaluated on SWE-Bench-Lite and SWE-Bench-Verified, the proposed framework improves repair performance on under-covered repositories, reduces noisy memory retrieval, and better supports failed-to-fixed patch refinement. Our results show that the key to memory-augmented repair is not simply accumulating more experiences, but retrieving the right experiences for the right repair context.
- Abstract（参考訳）: 近年のメモリ拡張リポジトリレベルのプログラム修復手法は, 過去の修復経験を再利用し, LLMによる課題解決を改良している。
しかし,既存のリポジトリレベルのメモリ検索には3つの制限がある。
まず、エピソードメモリはレポジトリ間で非常に不均衡であり、低リソースのレポジトリは効果的にサポートされていない。
第二に、より多くのメモリが単調に修復の成功をもたらすことはなく、関連性、品質、冗長性が生のメモリボリュームよりも重要であることを示唆している。
第3に、メモリ蓄積はフェーズミスであり、レポジトリは多くの再生経験を含むが、パッチやリファインメントの経験は少ない。
これらの問題に対処するために,リポジトリレベルのプログラム修復のための適応型体験検索フレームワークを提案する。
本フレームワークでは,同リポジトリメモリが不十分な場合に,クロスリポジトリや修復型メモリにフォールバックするカバレッジ・アウェア検索,関連性,歴史的有用性,特異性,冗長性によってメモリをランク付けする品質・アウェア選択,再生,ローカライゼーション,パッチ生成,パッチ修正,検証のためのメモリを分離して取得するステージ・アウェアルーティングを導入している。
SWE-Bench-Lite と SWE-Bench-Verified に基づいて,提案フレームワークは未発見のレポジトリの修復性能を改善し,ノイズの多いメモリ検索を低減し,修正済みのパッチ修正を改善できる。
以上の結果から,メモリ拡張修復の鍵は,単により多くの経験を蓄積するだけでなく,適切な修復コンテキストに対する適切な経験を回収することにあることがわかった。
関連論文リスト
- Rollback the World, Keep the Reflection: Rollback-Induced Reflection for Long-Horizon LLM Agents [56.434418859203085]
大規模言語モデル(LLM)エージェントは、多段階の環境相互作用を通じて、長い水平タスクに対処する。
単一の誤動作は、その後の状態や観測を変更でき、時間とともにエラーが複雑になる。
信頼性回復はロールバック境界制御問題として扱われるべきである。
論文 参考訳（メタデータ） (2026-09-16T08:26:14Z) - EvoGraph-Mem: Failure-Aware Editable Graph Memory for Long-Term Language Agents [4.265255679736993]
既存のメモリ拡張エージェントは、主に過去の経験の保存と検索に重点を置いている。
これまで蒸留された洞察は、新しいタスクコンテキスト下で時代遅れになり、過度に一般化され、有害になる可能性がある。
本稿では,編集可能なインサイトグラフに基づく障害対応メモリメンテナンスフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-03T12:35:44Z) - Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents [54.85451496831771]
Causal-AgentIRは階層的なマルチエージェントフレームワークであり、画像復元インテリジェンスのための自己進化型因果記憶を持つ。
分解パターン、画像領域、復元ツール、アクション、品質変更、ユーザの好みを構造化された因果記憶グラフに整理する。
このグラフはグラフベースの検索とマルチホップ因果推論をサポートしており、エージェントは特定の復元操作やツールシーケンスが異なる劣化条件下での修復品質にどのように影響するかを推測することができる。
論文 参考訳（メタデータ） (2026-07-23T09:59:44Z) - MemRepair: Hierarchical Memory for Agentic Repository-Level Vulnerability Repair [10.709112246848058]
現代のソフトウェアエコシステムは、公表された脆弱性の急増に直面している。
既存のシステムのほとんどは、脆弱性の修復を、現在見えるコードコンテキストの単一生成ステップとして扱う。
本稿では、メモリ拡張されたエージェントフレームワークであるMemRepairを紹介し、脆弱性修復を反復的、経験駆動的なプロセスとして定式化する。
論文 参考訳（メタデータ） (2026-05-17T13:29:46Z) - MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。
MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
論文 参考訳（メタデータ） (2026-03-19T10:15:59Z) - NextMem: Towards Latent Factual Memory for LLM-based Agents [58.35585202907478]
NextMemは、自動回帰型オートエンコーダを使用して、潜時メモリを効率的に構築する、潜時ファクトメモリフレームワークである。
大規模な実験は、NextMemが優れたパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-26T14:35:27Z) - Memory Retention Is Not Enough to Master Memory Tasks in Reinforcement Learning [44.94110361062394]
実世界の意思決定は、安定かつ適応性のあるメモリに依存する。
既存の強化学習ベンチマークとメモリ拡張エージェントは、主に保持に焦点を当てている。
部分的な可観測性の下で連続的なメモリ更新を明示的にテストするベンチマークを導入する。
論文 参考訳（メタデータ） (2026-01-21T15:27:23Z) - Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management [63.48041801851891]
Fine-Memは、きめ細かいフィードバックアライメントのために設計された統一されたフレームワークである。
MemalphaとMemoryAgentBenchの実験は、Fin-Memが強いベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-01-13T11:06:17Z) - Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。
ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。
BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
論文 参考訳（メタデータ） (2025-12-11T14:40:01Z) - EXPEREPAIR: Dual-Memory Enhanced LLM-based Repository-Level Program Repair [13.512456346600477]
ソフトウェア問題を自動的に修復する新しい手法であるExpeRepairを提案する。
2チャンネルの知識蓄積を通じて、歴史的な修復経験から学習する。
Claude 3.7 Sonnetのパス@1スコアは49.3%で、最先端のオープンソースメソッドよりも優れている。
論文 参考訳（メタデータ） (2025-06-12T08:39:27Z)
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。