論文の概要: Escaping Python Dependency Hell: A Hybrid Replay-and-Repair Pipeline for Python Dependency Resolution

• arxiv url: http://arxiv.org/abs/2609.26952v1
• Date: Tue, 22 Sep 2026 18:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.731604
• Title: Escaping Python Dependency Hell: A Hybrid Replay-and-Repair Pipeline for Python Dependency Resolution
• Title（参考訳）: Python依存地獄から逃れる: Python依存解決のためのハイブリッドリプレイ・アンド・リペアパイプライン
• Abstract要約: Pythonエコシステムにおける依存関係の衝突は、互換性のないバージョン制約、パッケージの欠如、文書化されていない互換性の関係から生じる。 本稿では,HG2.9Kベンチマークによる2,891個の依存性障害スニペットのハイブリッド依存性回復パイプラインについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dependency conflicts in Python ecosystems arise from incompatible version constraints, missing packages, and undocumented compatibility relationships, causing many real-world code snippets to fail at execution. This paper presents PLLM+, a hybrid dependency-repair pipeline evaluated on the HG2.9K benchmark of 2,891 dependency-failing snippets. PLLM+ prioritizes inexpensive deterministic steps before invoking LLM-based repair: static AST-based interpreter inference, replay of historically successful dependency configurations from the competition-provided solutions database, and live PyPI validation of candidate package versions. When these steps do not resolve a case, the system falls back to a structured LLM-based repair loop with typed error classification and Proposer/Critic agents. On HG2.9K, PLLM+ solves 1,500 out of 2,891 snippets, compared with 1,169 solved by the PLLM baseline. It also reduces average runtime from 368.7 to 71.8 seconds per snippet. Most successful fixes come from replaying known configurations: 1,495 of the 1,500 successful fixes are produced by the solutions database, while the LLM fallback accounts for 5 additional fixes. These results suggest that, in this benchmark setting, deterministic reuse of previously validated dependency configurations is a simple and effective strategy, with LLM-based repair serving as a secondary fallback for cases not covered by prior solutions.
• Abstract（参考訳）: Pythonエコシステムにおける依存性の衝突は、互換性のないバージョン制約、パッケージの欠如、文書化されていない互換性の関係から発生し、現実のコードスニペットの多くが実行時に失敗する。 本稿では,HG2.9Kベンチマークで2,891個の依存性障害スニペットを用いて評価した,ハイブリッドな依存性回復パイプラインPLLM+を提案する。 PLLM+は、LCMベースの修復を開始する前に、安価な決定論的ステップを優先している。静的ASTベースのインタプリタ推論、競合が提供するソリューションデータベースからの歴史的に成功した依存性設定のリプレイ、および候補パッケージバージョンのライブPyPI検証である。 これらのステップがケースを解決しない場合、システムは型付きエラー分類とProposer/Criticエージェントを備えた構造化LLMベースの修復ループにフォールバックする。 HG2.9Kでは、PLLM+は2,891個のスニペットのうち1,500個を解き、PLLMベースラインは1,169個である。 また、平均実行時間をスニペット当たり368.7秒から71.8秒に短縮する。 1500の修正のうち1,495はソリューションデータベースによって生成され、LSMのフォールバックは5つの追加の修正を担っている。 これらの結果から,従来検証されていた依存関係構成の確定的再利用は単純かつ効果的な戦略であり,LCMベースの修復は先行ソリューションでカバーされていないケースの二次的フォールバックとして機能することが示唆された。

関連論文リスト

• Formalize, Don't Optimize: The Heuristic Trap in LLM-Generated Combinatorial Solvers [52.23061619664667]
  大規模言語モデル(LLM)は直接推論によって複雑な問題を解くのに苦慮しているため、近年のニューロシンボリックシステムは、それを実行可能な解法を合成するためにますます利用している。 我々は,100の問題をベンチマークしたCP-SynC-XL(4,577インスタンス)を導入し,ネイティブアルゴリズム検索(Python),PythonソルバAPI(Python + OR-Tools)による制約モデリング,宣言的制約モデリングという3つのコンストラクションパラダイムを評価した。
  論文  参考訳（メタデータ） (2026-05-12T17:15:45Z)
• Breaking the Dependency Chaos: A Constraint-Driven Python Dependency Resolution Strategy with Selective LLM Imputation [1.0832844764942349]
  依存性の解決は、コンフリクトなしで一緒にインストールできるパッケージバージョンを選択するタスクである。 LLMMのような最近の研究は、Pythonとパッケージバージョンをコードから推論するために大きな言語モデルを使用することでこの問題に対処している。 SMT-LLMは,形式的制約解で推定するバージョンを置き換えたハイブリッドシステムである。
  論文  参考訳（メタデータ） (2026-05-12T08:42:37Z)
• Correct Code, Vulnerable Dependencies: A Large Scale Measurement Study of LLM-Specified Library Versions [52.50730821321986]
  大規模言語モデル(LLM)におけるバージョンレベルのリスクの大規模評価を初めて行った。 我々は1000のStack OverflowプログラミングタスクのベンチマークであるPinTrace上で10のLLMを評価した。 LLM バージョン選択は LLM ベース開発における第1級, 以前は見落とされたリスクサーフェスとして確認された。
  論文  参考訳（メタデータ） (2026-05-07T13:52:59Z)
• Constraint-Guided Multi-Agent Decompilation for Executable Binary Recovery [47.704311990064554]
  脱コンパイルは、セキュリティ分析、マルウェアのリバースエンジニアリング、レガシーソフトウェアメンテナンスに不可欠である。 マルチレベル制約誘導型デコンパイル(MCGD)により,デコンパイルされたコードを再実行可能なソースに変換するマルチエージェントフレームワークを提案する。 本フレームワークは,84～97%の再実行性を実現し,28～89ポイントのベースラインデコンパイラ出力を改善した。
  論文  参考訳（メタデータ） (2026-04-27T01:28:11Z)
• PCREQ: Automated Inference of Compatible Requirements for Python Third-party Library Upgrades [5.857193811761703]
  Pythonのサードパーティライブラリ(TPL)は、現代のソフトウェア開発において必須であるが、アップグレードはしばしば互換性の問題を引き起こし、システム障害につながる。 既存のツールは依存性の衝突を主に検出するが、コードレベルの非互換性を見落としている。 PCREQは、バージョンとコード互換性の分析を組み合わせることで、互換性のある要求を自動的に推測する最初の手法である。
  論文  参考訳（メタデータ） (2025-08-04T03:34:30Z)
• The Last Dependency Crusade: Solving Python Dependency Conflicts with LLMs [10.800983456810165]
  本稿では,Pythonプログラムの依存性問題を自動的に修復するLarge Language Models (LLMs) について検討する。 本稿では,新しい検索拡張世代 (RAG) アプローチであるHGM (plum) を提案する。
  論文  参考訳（メタデータ） (2025-01-27T16:45:34Z)
• WikiContradict: A Benchmark for Evaluating LLMs on Real-World Knowledge Conflicts from Wikipedia [59.96425443250666]
  Retrieval-augmented Generation (RAG) は,大規模言語モデル(LLM)の限界を緩和する,有望なソリューションとして登場した。 本研究では,ウィキペディアからの矛盾文に基づく質問に対するLLM生成回答の総合評価を行う。 我々は、単一のパスを持つRAGと2つの矛盾するパスを持つRAGを含む、様々なQAシナリオ下で、クローズドおよびオープンソース両方のLSMをベンチマークする。
  論文  参考訳（メタデータ） (2024-06-19T20:13:42Z)
• ConDefects: A New Dataset to Address the Data Leakage Concern for LLM-based Fault Localization and Program Repair [22.342625625700908]
  欠陥(Condefects)は、このような重複をなくすために慎重にキュレートされた、真断層の新しいデータセットである。 には1,254のJavaの欠陥プログラムと1,625のPythonの欠陥プログラムが含まれている。 障害位置と対応するコードバージョンとをペアにすることで、障害のローカライゼーションとプログラムの修正関連研究に適したものにします。
  論文  参考訳（メタデータ） (2023-10-25T00:06:02Z)
• Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting [65.00288634420812]
  Pairwise Ranking Prompting (PRP)は、大規模言語モデル(LLM)の負担を大幅に軽減する手法である。 本研究は,中等級のオープンソースLCMを用いた標準ベンチマークにおいて,最先端のランク付け性能を達成した文献としては初めてである。
  論文  参考訳（メタデータ） (2023-06-30T11:32:25Z)

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。