論文の概要: From Codebase to Culprit (C2C): Reducing the Search Space for Bugs with Semantic Retrieval and Hierarchical Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.38402v1
• Date: Tue, 29 Sep 2026 18:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.619583
• Title: From Codebase to Culprit (C2C): Reducing the Search Space for Bugs with Semantic Retrieval and Hierarchical Reinforcement Learning
• Title（参考訳）: CodebaseからCulprit (C2C): 意味的検索と階層的強化学習によるバグ検索スペースの削減
• Abstract要約: C2C(From Codebase to Culprit)は、正確なバグローカライゼーションのためのフレームワークである。 意味検索と強化学習(HRL)を2段階のプロセスに統合する。 C2Cは、意思決定間のコンテキスト整合性を維持しながら、マルチレゾリューションのローカライズを可能にする。
• 参考スコア（独自算出の注目度）: 6.601056939973083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce C2C (From Codebase to Culprit), a framework for precise bug localization that progressively reduces the debugging search space across multiple levels of granularity: files, functions, and lines of code. To mirror developer's natural top-down debugging workflows, C2C integrates semantic retrieval and Hierarchical Reinforcement Learning (HRL) in a two-stage process. First, it performs recall-oriented retrieval of buggy candidates via semantic vector similarity search using bug-report text, including available stack-trace information, against a database of embeddings, where the embeddings are fine-tuned via contrastive learning with CodeBERT. Building on this reduced search space, the HRL framework incrementally localizes bugs, reasoning from files to functions and ultimately to individual lines of code. Unlike prior approaches which operate at a single granularity, C2C enables multi-resolution localization while maintaining contextual consistency across decisions. Experiments on real-world Java and Python datasets demonstrate that C2C improves retrieval precision and localization accuracy. Ablation studies further highlight the contributions of hierarchical decomposition, structured learning signals, and reward shaping in advancing multi-level bug localization.
• Abstract（参考訳）: C2C(From Codebase to Culprit)は、バグの正確なローカライゼーションのためのフレームワークで、ファイル、関数、コード行数など、さまざまなレベルの粒度にわたるデバッグ検索スペースを段階的に削減する。 開発者の自然なトップダウンデバッグワークフローを反映するために、C2Cはセマンティック検索と階層強化学習(HRL)を2段階のプロセスに統合する。 まず, 組込みのデータベースに対して, 可利用なスタックトレース情報を含む, バグレポートテキストを用いたセマンティックベクタ類似性検索によるバギー候補のリコール指向検索を行う。 この縮小された検索スペースの上に構築されたHRLフレームワークは、バグを段階的にローカライズし、ファイルから関数へ、最終的には個々のコード行へ推論する。 単一粒度で機能する従来のアプローチとは異なり、C2Cは決定間のコンテキスト整合性を維持しながら、多分解能のローカライゼーションを可能にする。 実世界のJavaおよびPythonデータセットの実験では、C2Cが検索精度とローカライズ精度を改善することが示されている。 アブレーション研究は、階層的分解、構造化学習信号、多段階バグローカライゼーションの進展における報酬形成の貢献をさらに強調する。

関連論文リスト

• His2Trans: A Skeleton First Framework for Self Evolving C to Rust Translation with Historical Retrieval [45.246293154277886]
  His2Transは、決定論的でビルド対応のスケルトンと自己進化的な知識抽出を組み合わせて、安定したインクリメンタルマイグレーションをサポートするフレームワークである。 産業用OpenHarmonyモジュールの実験では、His2Transが99.75%インクリメンタルコンパイルパスレートに達した。
  論文  参考訳（メタデータ） (2026-03-03T05:42:08Z)
• Multi-CoLoR: Context-Aware Localization and Reasoning across Multi-Language Codebases [1.4216413758677147]
  マルチ言語間におけるコンテキスト認識のローカライゼーションと推論のためのフレームワークであるMulti-CoLoRを提案する。 複雑なソフトウェアエコシステムを横断するために、組織的知識検索とグラフベースの推論を統合する。
  論文  参考訳（メタデータ） (2026-02-23T00:54:59Z)
• C2T-ID: Converting Semantic Codebooks to Textual Document Identifiers for Generative Search [73.61009656398384]
  本稿では,階層クラスタリングによる意味的数値決定法を構築するC2T-IDを提案する。 C2T-IDは、アトミック、セマンティック・コードブック、純粋テキスト・ドシッド・ベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-10-22T04:05:38Z)
• Learning to Condition: A Neural Heuristic for Scalable MPE Inference [7.287294240824019]
  我々は,MPE推論を高速化するスケーラブルでデータ駆動型フレームワークであるL2C(Learning to Condition)を導入する。 観測された証拠から、L2Cはニューラルネットワークをトレーニングし、条件付けのユーティリティに基づいて変数値の割り当てをスコアする。 我々は,既存のMPEソルバの探索トレースから学習信号を抽出するスケーラブルなデータ生成パイプラインを開発した。
  論文  参考訳（メタデータ） (2025-09-22T18:24:31Z)
• Don't Get Lost in the Trees: Streamlining LLM Reasoning by Overcoming Tree Search Exploration Pitfalls [83.89771461061903]
  検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 意味論的に等価なコンテンツを持つ冗長な状態による$textitover-Exploration$と、検証器のスコアリングにおける高いばらつきに起因する$textitunder-Exploration$である。 各種木探索アルゴリズムに適合するフレキシブルなプラグアンドプレイシステムであるFETCHを提案する。
  論文  参考訳（メタデータ） (2025-02-16T16:12:01Z)
• R2C2-Coder: Enhancing and Benchmarking Real-world Repository-level Code Completion Abilities of Code Large Language Models [62.20537000942005]
  我々は,R2C2-Coderを提案し,大規模言語モデルの実世界のリポジトリレベルのコード補完能力を向上し,ベンチマークする。 R2C2-Coderには、コードプロンプトコンストラクションメソッドR2C2-Enhanceと、よく設計されたベンチマークR2C2-Benchが含まれている。
  論文  参考訳（メタデータ） (2024-06-03T14:24:29Z)
• BigIssue: A Realistic Bug Localization Benchmark [89.8240118116093]
  BigIssueは、現実的なバグローカライゼーションのためのベンチマークである。 実際のJavaバグと合成Javaバグの多様性を備えた一般的なベンチマークを提供する。 われわれは,バグローカライゼーションの最先端技術として,APRの性能向上と,現代の開発サイクルへの適用性の向上を期待している。
  論文  参考訳（メタデータ） (2022-07-21T20:17:53Z)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)

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。