論文の概要: FeatLens: Feature-Guided Dynamic Code Graph Construction and Retrieval for Repository-Level Code Generation
- arxiv url: http://arxiv.org/abs/2609.26480v1
- Date: Tue, 22 Sep 2026 14:20:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.691506
- Title: FeatLens: Feature-Guided Dynamic Code Graph Construction and Retrieval for Repository-Level Code Generation
- Title（参考訳）: FeatLens: Repository-Levelコード生成のための機能ガイド付き動的コードグラフの構築と検索
- Abstract要約: FeatLensは機能誘導型動的コードグラフ構築とリポジトリレベルのコード生成のための検索アプローチである。
DevEvalとEvoCodeBenchの実験によると、FeatLensは疎密でグラフベースのベースラインの中で最高のDR@15を達成する。
- 参考スコア（独自算出の注目度）: 18.75056413139812
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent code generation research has moved from isolated function completion toward repository-level generation in existing codebases. To implement a target function correctly, an LLM must identify reusable repository dependencies such as existing functions, APIs, and cross-file definitions. Existing retrieval methods provide such context through code similarity search, persistent whole-repository graphs, or LLM-driven graph exploration, but often incur high graph construction, reasoning, and token costs. Feature-oriented methods offer a natural view of software functionality, yet they mainly support requirement decomposition, planning, or feature editing rather than code dependency retrieval. This paper presents \textbf{FeatLens}, a feature-guided dynamic code graph construction and retrieval approach for repository-level code generation. FeatLens builds a feature index that links natural-language feature descriptions to function-level code entities. Given a generation task, it dynamically constructs a task-specific seed graph from the feature index and applies semantic-structural graph reasoning with personalized PageRank to select a compact reasoning graph. This design replaces persistent whole-repository graph maintenance and LLM exploration with deterministic and lightweight dependency retrieval. Experiments on DevEval and EvoCodeBench show that FeatLens achieves the best DR@15 among sparse, dense, and graph-based baselines (0.501 and 0.460). On DevEval generation, it obtains the highest DIR@1, reaching 52.91\% with DeepSeek-V3.2 and 53.58\% with GPT-5-mini, while maintaining competitive Pass@1 and producing shorter code. Compared with the strongest graph-based baseline, FeatLens reduces graph nodes by 61.0\%, edges by 86.2\%, and total token overhead by 45.9\%, with no LLM tokens used during retrieval.
- Abstract（参考訳）: 最近のコード生成研究は、独立した機能補完から、既存のコードベースのリポジトリレベルの生成へと移行している。
ターゲット関数を正しく実装するには、LLMは既存の関数やAPI、ファイル間の定義など、再利用可能なリポジトリの依存関係を識別する必要がある。
既存の検索方法は、コード類似性探索、永続的な全リポジトリグラフ、LLMによるグラフ探索を通じてそのようなコンテキストを提供するが、しばしば高いグラフ構築、推論、トークンコストが発生する。
機能指向のメソッドは、ソフトウェア機能の自然なビューを提供するが、主にコード依存の検索ではなく、要求の分解、計画、機能編集をサポートする。
本稿では,レポジトリレベルのコード生成のための動的コードグラフ構築と検索手法である \textbf{FeatLens} を提案する。
FeatLensは、自然言語の特徴記述と関数レベルのコードエンティティをリンクする機能インデックスを構築している。
生成タスクが与えられたら、特徴指標からタスク固有のシードグラフを動的に構築し、パーソナライズされたPageRankによる意味構造グラフ推論を適用して、コンパクトな推論グラフを選択する。
この設計は、永続的な全リポジトリグラフの保守とLCM探索を決定論的かつ軽量な依存性検索に置き換える。
DevEvalとEvoCodeBenchの実験によると、FeatLensは疎密でグラフベースのベースライン(0.501と0.460)の中で最高のDR@15を達成する。
DevEval 世代では、DIR@1 が最も高く、DeepSeek-V3.2 では52.91 %、GPT-5-mini では53.58 %に達し、競合する Pass@1 を維持し、短いコードを生成する。
最強のグラフベースのベースラインと比較して、FeatLensはグラフノードを61.0\%、エッジを86.2\%、トークン全体のオーバーヘッドを45.9\%削減し、検索時にLLMトークンを使用しない。
関連論文リスト
- Effective and Efficient Context Retrieval via Partial Dependency Graph for Repository-Level Code Generation [8.490743624223972]
部分依存グラフを用いた効率的なコンテキスト検索手法であるDyRetrieverを提案する。
我々はDyRetrieverを類似性ベースのコードレトリバーと統合し、DyCoderを構築し、CoderEvalとDevEvalで評価する。
論文 参考訳（メタデータ） (2026-08-03T09:00:49Z) - LARGER: Lexically Anchored Repository Graph Exploration and Retrieval [9.90137784523552]
リポジトリレベルのコーディングエージェントは、まずタスクに関連するファイルとシンボルをローカライズする必要がある。
既存のアプローチでは、エージェントのインタラクションループを断片化する別々のグラフツールやステージが必要になることが多い。
LARGER(Lexically anchored active-set search framework)は、語彙マッチングから始まり、それらをグラフアンカーにアライメントし、エージェントの既存のサーチループ内で信頼フィルタリングされた局所展開を実行する。
論文 参考訳（メタデータ） (2026-05-08T05:03:46Z) - SAGE: Structure Aware Graph Expansion for Retrieval of Heterogeneous Data [47.930782177987446]
不均一なコーパスに答える検索拡張された質問は、テキスト、テーブル、グラフノード間で接続されたエビデンスを必要とする。
標準レトリバーリーダーパイプラインは、独立にチャンクされたテキスト上の平坦な類似性検索を使用し、モダリティ間のマルチホップエビデンスチェーンを欠いている。
SAGE(Structure Aware Graph Expansion)フレームワークを提案する。これは、パーセンタイルベースのプルーニングとメタデータ駆動の類似性を利用して、チャンクレベルのグラフをオフラインで構築する。
暗黙的クロスモーダルコーパスと明示的スキーマグラフのエージェント検索であるSPARK(Structure Aware Planning Agent for Retrieval over Knowledge Graphs)のハイブリッド高密度スパース検索を用いて初期検索をインスタンス化する。
論文 参考訳（メタデータ） (2026-02-18T23:57:19Z) - Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。
4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文 参考訳（メタデータ） (2026-01-23T05:41:05Z) - 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) - GRACE: Graph-Guided Repository-Aware Code Completion through Hierarchical Code Fusion [33.66085762717581]
LLMはローカライズされたコード補完に優れていますが、コンテキストウィンドウが限られているため、リポジトリレベルのタスクに苦労しています。
GRACEは、静的および動的コードセマンティクスの両方をキャプチャするために、マルチレベルでマルチセマンティックなコードグラフを構築する。
実験によると、GRACEはすべてのメトリクスで最先端のメソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-09-07T09:01:48Z) - Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z) - HDLxGraph: Bridging Large Language Models and HDL Repositories via HDL Graph Databases [57.51078142561683]
大規模言語モデル(LLM)は、ハードウェア設計タスクにおいてその可能性を実証している。
しかし、実際のリポジトリレベルのHDLプロジェクトでのパフォーマンスは、数千から数万のコード行で妨げられています。
グラフ検索拡張生成(Graph RAG)とLLMを統合する新しいフレームワークであるHDLxGraphを提案する。
論文 参考訳（メタデータ） (2025-05-21T16:14:10Z) - GraphCoder: Enhancing Repository-Level Code Completion via Code Context Graph-based Retrieval and Language Model [30.625128161499195]
GraphCoderは検索拡張コード補完フレームワークである。
一般的なコード知識と、グラフベースの検索生成プロセスを通じてリポジトリ固有の知識を使用する。
コードマッチでは+6.06、識別子マッチでは+6.23となり、時間と空間は少ない。
論文 参考訳（メタデータ） (2024-06-11T06:55:32Z)
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。