論文の概要: Spotlights: Discovering Improvement Opportunities in Software Repositories

• arxiv url: http://arxiv.org/abs/2609.20446v1
• Date: Thu, 17 Sep 2026 14:16:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.316612
• Title: Spotlights: Discovering Improvement Opportunities in Software Repositories
• Title（参考訳）: Spotlights: ソフトウェアリポジトリの改善機会を明らかにする
• Abstract要約: 符号化エージェントと進化的コード検索システムは、目標と評価基準が特定されれば実装を改善することができる。 本稿では,候補とするソース領域を識別するリポジトリレベルタスクである,インホプティゼーション・オポチュニティ発見を導入する。 提案するemphSpotlightsは,論理リポジトリマッピング,逐次エージェントレビュー,および候補を関連技術にリンクする任意研究を通じて,このタスクを実行するシステムである。
• 参考スコア（独自算出の注目度）: 1.938461587564696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coding agents and evolutionary code-search systems can improve implementations once a target and evaluation criterion have been specified. Applying these methods to an existing software repository raises an earlier question: which implementation choices are worth investigating for a high-level engineering objective? We introduce \emph{optimization-opportunity discovery}, the repository-level task of identifying candidate source regions, explaining how they relate to the objective, and proposing possible changes. The task takes as input a repository, an engineering objective, and optional runtime evidence such as offline telemetry observations or profiles. It does not require the user to specify a defect, bottleneck, or code location. We present \emph{Spotlights}, a system that performs this task through logical repository mapping, successive agent reviews, and optional research linking candidates to relevant techniques. We evaluate Spotlights across model serving, document retrieval, blockchain ordering, and document processing. Across three cases, it recovers seven of nine expert-selected targets. In the reliability study, 70\% of the top ten candidates meet the stated correctness and severity thresholds. Across five repeated retrieval runs, 73.6\% of candidate occurrences have a matching source region in all five runs. Spotlights also rediscovers the target of a withheld retrieval optimization and connects it to a relevant tiling technique. In an implementation study, a discovered change reduces end-to-end page-processing runtime by 10.6\% while preserving measured output quality. These results establish optimization-opportunity discovery as a distinct and empirically evaluable step between a broad engineering objective and subsequent implementation and validation.
• Abstract（参考訳）: 符号化エージェントと進化的コード検索システムは、目標と評価基準が特定されれば実装を改善することができる。 これらのメソッドを既存のソフトウェアリポジトリに適用することは、以前の質問を提起する。 本稿では,候補となるソース領域を識別するリポジトリレベルのタスクであるemph{optimization-opportunity discoveryを導入し,その目的とどのように関連しているかを説明し,変更の可能性を提案する。 このタスクは、リポジトリ、エンジニアリングの目的、オフラインのテレメトリ観測やプロファイルなどのオプションのランタイムエビデンスとして、入力される。 欠陥やボトルネック、コードの位置を指定する必要はない。 本稿では、論理リポジトリマッピング、逐次エージェントレビュー、候補を関連技術にリンクする任意の研究を通じて、このタスクを実行するシステムである「emph{Spotlights}」を紹介する。 モデル提供、ドキュメント検索、ブロックチェーンの注文、ドキュメント処理にまたがるスポットライトを評価します。 3つのケースで、専門家が選択した9つのターゲットのうち7つを回復する。 信頼性調査では、上位10人の候補者の70%が、記載された正しさと重大さの閾値を満たしている。 5回の反復検索で73.6\%の候補が一致するソース領域を持つ。 Spotlightsはまた、保持されていない検索最適化のターゲットを再検討し、関連するタイリング技術に接続する。 実装研究では、検出された変更は、測定された出力品質を維持しながら、エンドツーエンドのページ処理ランタイムを10.6\%削減する。 これらの結果は、幅広いエンジニアリング目標とその後の実装と検証の間の、明確かつ実証的に評価可能なステップとして、最適化-機会発見を確立します。

関連論文リスト

• Adaptive Critical Token-Aware Retrieval for Repository-Level Code Generation [53.85136813868056]
  ACToRは、リポジトリレベルのコード生成のための適応型クリティカルトークン対応検索フレームワークである。 我々は、ACToRが、リポジトリレベルのベンチマークにおいて、最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-01T17:59:39Z)
• Beyond Retrieval: Query-Conditioned Reuse of Long-Horizon Agent Trajectories [16.13133177152883]
  Retrievalは、重要かもしれない過去の軌跡を特定することができるが、ユーザー、エンティティ、制約、環境状態が変わった後、エージェントがその軌跡をどのように使うべきかは明記していない。 我々は,この再検索後の再利用ステップを,長期記憶のボトルネックとして認識する。 クエリ条件の再利用(QCR)によってフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2026-08-13T05:39:49Z)
• The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
  推論駆動最適化のための統合フレームワークであるReASearchを提案する。 共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。 我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
  論文  参考訳（メタデータ） (2026-08-07T02:15:39Z)
• Retrieval-Oriented Code Representations in Agentic Bug Localization [17.828273840830374]
  本稿では,ファイルレベルのバグローカライゼーションを表現駆動検索問題として検討する。 コード表現の選択は、ローカライズの有効性とコストの両方に影響を及ぼす。 本研究は,エージェントローカライゼーションパイプラインにおいて,コード表現を第一級の設計選択として扱うべきであることを示唆する。
  論文  参考訳（メタデータ） (2026-07-13T03:18:22Z)
• AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion [55.21541958868449]
  リポジトリレベルのコード補完フレームワークであるAlignCoderを提案する。 我々のフレームワークは、初期クエリとターゲットコードのセマンティックギャップを橋渡しする拡張クエリを生成する。 我々は、拡張クエリにおける推論情報を活用してより正確な検索を行うAlignRetrieverのトレーニングに強化学習を採用する。
  論文  参考訳（メタデータ） (2026-01-27T15:23:14Z)
• Semantic Certainty Assessment in Vector Retrieval Systems: A Novel Framework for Embedding Quality Evaluation [0.0]
  ベクトル検索システムは、不均一な埋め込み品質のため、クエリ間で大きな性能ばらつきを示す。 本稿では,量子化ロバストネスと近傍密度のメトリクスを組み合わせることで,クエリレベルでの検索性能を予測するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-08T12:33:11Z)
• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)
• Repoformer: Selective Retrieval for Repository-Level Code Completion [30.706277772743615]
  検索強化生成(RAG)の最近の進歩は、リポジトリレベルのコード補完の新たな時代が始まった。 本稿では,不要な場合の検索を回避するため,選択的なRAGフレームワークを提案する。 我々のフレームワークは、異なる世代モデル、レトリバー、プログラミング言語に対応できることを示します。
  論文  参考訳（メタデータ） (2024-03-15T06:59:43Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)

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。