論文の概要: Semantic Navigation for Issue Localization in Code Repository
- arxiv url: http://arxiv.org/abs/2609.31176v1
- Date: Fri, 25 Sep 2026 12:08:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.374366
- Title: Semantic Navigation for Issue Localization in Code Repository
- Title（参考訳）: コードリポジトリにおける課題ローカライゼーションのための意味的ナビゲーション
- Abstract要約: SemNavは、最初のカバレッジとエビデンスガイダンスによるリビジョンを組み合わせたフレームワークである。
セマンティックナビゲーショングラフは、言語サーバーを介してオンデマンドのプログラム関係を解決します。
問題条件付きセマンティックカードは、各エンティティの役割と問題との関連性について、コンパクトでソースベースの解釈を提供する。
- 参考スコア（独自算出の注目度）: 44.93643071808347
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Repository-level issue localization aims to identify and rank the files and functions relevant to resolving a reported issue. LLM agents approach this task iteratively: they identify a set of potentially relevant locations, inspect the corresponding code, and revise their judgments about these candidates as new evidence is acquired. Existing environments, however, provide limited support for this loop: agents must search for unresolved relation targets, reconstruct entity semantics from raw source code, and revise candidates without evidential basis. To address these limitations, we present SemNav, a framework that leverages deterministic retrieval to seed a broad candidate set and an LLM agent to continually refine that set, thereby combining initial coverage with evidence-guided revision. SemNav supports this process through three key components. A Semantic Navigation Graph resolves program relations on demand through a language server, enabling direct navigation to related entities across files. Issue-conditioned Semantic Cards provide compact, source-grounded interpretations of each entity's role and relevance to the issue. A persistent Candidate Workspace records each candidate together with its evidential basis, enabling grounded verification, revision, and ranking. Across SWE-bench Lite and PLocBench, SemNav outperforms existing baselines, improving File Hit@10 from 68.33\% to 82.67\% with Gemma 4B. Component ablations and trajectory analysis support the complementary roles of all three components, while Semantic Cards reduce working-context load by 48.2\% relative to full-source reading. SemNav further ranks first on all seven evidence-quality metrics on SWE-Explore and improves downstream issue resolution from 44.00\% to 52.33\%.
- Abstract（参考訳）: リポジトリレベルのイシューローカライゼーションは、報告された問題の解決に関連するファイルや機能を特定し、ランク付けすることを目的としている。
LLMエージェントはこのタスクに反復的にアプローチし、潜在的な場所のセットを特定し、対応するコードを検査し、新しい証拠が取得されるにつれて、これらの候補に関する判断を再検討する。
エージェントは未解決のリレーションターゲットを検索し、ソースコードからエンティティのセマンティクスを再構築し、明確なベースなしに候補を修正しなければならない。
これらの制約に対処するため、SemNavは、決定論的検索を活用して、幅広い候補セットとLLMエージェントをシードし、そのセットを継続的に洗練し、エビデンス誘導リビジョンと初期カバレッジを組み合わせたフレームワークである。
SemNavは3つの主要なコンポーネントを通じてこのプロセスをサポートしている。
セマンティックナビゲーショングラフは、言語サーバーを通じて要求のプログラム関係を解決し、ファイル間の関連エンティティへの直接ナビゲーションを可能にする。
問題条件付きセマンティックカードは、各エンティティの役割と問題との関連性について、コンパクトでソースベースの解釈を提供する。
永続的な候補ワークスペースは、各候補をその明快なベースで記録し、根拠付き検証、修正、ランク付けを可能にする。
SWE-bench LiteとPLocBench全体で、SemNavは既存のベースラインを上回り、Gemma 4BでFile Hit@10を68.33\%から82.67\%に改善した。
コンポーネントの短縮とトラジェクトリ分析は3つのコンポーネントの補完的な役割をサポートし、セマンティックカードはフルソースの読み込みと比較して作業内容の負荷を48.2 %削減する。
SemNavはさらにSWE-Exploreの7つのエビデンス品質指標の上位にランクインし、ダウンストリームのイシュー解決を44.00\%から52.33\%に改善している。
関連論文リスト
- VITAL-RAG: Invariance Race for Context Allocation in Coding Agents [16.861820396751188]
コーディングエージェントはリポジトリ全体からコードを取得することが多いが、最終的なモデル入力に適合する証拠は限られている。
我々は、標準コードオブジェクトによるエビデンスを整理するVITAL-RAGを導入し、すでに表現されていないセマンティクスを追加する場合にのみ、クエリ関連コンパニオンを1つ保持する。
RepoBenchでは、VITALRAGはRecall@4Kを39.59%から63.67%に改善し、証拠トークンを35.63%削減した。
論文 参考訳（メタデータ） (2026-07-29T14:05:28Z) - 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) - FastContext: Training Efficient Repository Explorer for Coding Agents [29.359764163872473]
大規模言語モデル(LLM)コーディングエージェントは、ソフトウェアエンジニアリングタスクにおいて大きな成果を上げている。
関連するコードを見つけることは、相当量のトークン予算を消費し、関係のないスニペットでエージェントのコンテキストを汚染する。
我々は、リポジトリの探索と解決を分離する専用の探索サブエージェントであるFastContextを紹介します。
論文 参考訳（メタデータ） (2026-06-12T03:23:59Z) - Cross-Vendor Sola ISPM Benchmark: Evaluating Agentic AI for Federated Identity Security Reasoning [0.41942958779358674]
既存の評価は、孤立した単一プラットフォーム環境に焦点を当てている。
我々は、50個のデータ基底タスクのプロダクショングレードベンチマークであるCross-Vendor Sola ISPMベンチマークを紹介する。
また、最終回答の正当性だけでなく、明らかな根拠も測定する評価フレームワークにも貢献する。
論文 参考訳（メタデータ） (2026-06-01T12:41:00Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - SGR-Bench: Benchmarking Search Agents on State-Gated Retrieval [5.32888938421653]
専門的な検索タスクのクラスは、まだ不足している。
我々は、この機能をステートゲート検索(SGR)と呼ぶ。
SGR-Benchはこの設定のためのベンチマークで、6つのソースファミリーと12のパブリックデータエコシステムにまたがる100の専門家によるタスクを含んでいる。
論文 参考訳（メタデータ） (2026-05-21T09:22:48Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Benchmarking Deep Search over Heterogeneous Enterprise Data [73.55304268238474]
検索強化生成(RAG)の形式を評価するための新しいベンチマークを提案する。
RAGは、多種多様な、しかし関連するソースに対して、ソースを意識したマルチホップ推論を必要とする。
製品計画、開発、サポートステージをまたいだビジネスをシミュレートする合成データパイプラインを使用して構築します。
論文 参考訳（メタデータ） (2025-06-29T08:34:59Z) - SuRe: Summarizing Retrievals using Answer Candidates for Open-domain QA of LLMs [85.54906813106683]
大規模言語モデル(LLM)を用いたオープンドメイン質問応答(ODQA)の簡易かつ効果的なフレームワークを提案する。
SuRe は LLM が与えられた質問に対するより正確な回答を予測するのに役立つ。
様々なODQAベンチマークの実験結果はSuReの優位性を示し、標準的なプロンプトアプローチよりも4.6%、F1スコアが4.0%向上した。
論文 参考訳（メタデータ） (2024-04-17T01:15:54Z) - Dynamic Focus-aware Positional Queries for Semantic Segmentation [94.6834904076914]
本稿では,動的焦点認識型位置情報クエリと呼ばれるセマンティックセグメンテーションのための,シンプルで効果的なクエリ設計を提案する。
我々のフレームワークはSOTAの性能を達成し、ResNet-50、Swin-T、Swin-Bのバックボーンによる1.1%、1.9%、および1.1%の単一スケールmIoUでMask2formerより優れています。
論文 参考訳（メタデータ） (2022-04-04T05:16:41Z)
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。