論文の概要: RETRACE: From Entangled Repair Histories to Reusable Experience for CI Repair

• arxiv url: http://arxiv.org/abs/2610.04658v1
• Date: Sat, 03 Oct 2026 17:08:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 17:58:31.609794
• Title: RETRACE: From Entangled Repair Histories to Reusable Experience for CI Repair
• Title（参考訳）: RETRACE: 絡み合った修復履歴から再利用可能なCI修復経験まで
• Abstract要約: 本稿では,ソフトウェア履歴から問題レベルの修復経験を再構築するフレームワークRETRACEを提案する。 RETRACEは、パスリビジョンで保持された変更から後方への理由をエンドポイントビューと、コミット履歴を通じて修復の進化をトレースする開発ビューを組み合わせる。 新たな障害に対して、RETRACEは関連する問題レベルのエクスペリエンスを取得して、修正をガイドする。
• 参考スコア（独自算出の注目度）: 6.721296463851967
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents increasingly reuse prior experience, but most approaches assume that problems and solutions are already aligned. Software histories rarely provide this alignment: a pull request (PR) may contain multiple continuous integration (CI) problems, failed attempts, reverted edits, and unrelated changes, obscuring which changes resolve each problem. We present RETRACE, a framework for reconstructing problem-level repair experience from such histories. RETRACE combines an endpoint view that reasons backward from changes retained in the passing revision with a development view that traces repair evolution forward through commit history. CI execution evidence reconciles the two views, and the recovered experience is represented at three abstraction levels, from concrete fixes to transferable repair patterns. For new failures, RETRACE retrieves relevant problem-level experience to guide repair. On CI-REPAIR-BENCH, comprising 565 PR-level repairs from 101 repositories across 12 failure categories, RETRACE improves mini-SWE-agent Pass@1 from 19.6% to 31.9% with MiniMax-M2.5 and from 23.3% to 32.8% with DeepSeek-V4-Flash. On a matched subset, Codex improves from 15.5% to 27.5%. Combining both views consistently outperforms either alone, showing that recovering problem-change alignment enables historical CI repairs to serve as reusable repair experience.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、以前の経験を再利用する傾向にあるが、ほとんどのアプローチでは、問題とソリューションはすでに整合していると仮定している。 プルリクエスト(PR)には、複数の継続的インテグレーション(CI)問題、失敗した試み、反転編集、関連するない変更が含まれており、どの変更がそれぞれの問題を解決するのかを判断する。 このような歴史から問題レベルの修復経験を再構築するためのフレームワークであるRETRACEを提案する。 RETRACEは、パスリビジョンで保持された変更から後方への理由をエンドポイントビューと、コミット履歴を通じて修復の進化をトレースする開発ビューを組み合わせる。 CIの実行エビデンスによって2つのビューが一致し、回復したエクスペリエンスは、具体的な修正から移行可能な修復パターンに至るまで、3つの抽象化レベルで表現される。 新たな障害に対して、RETRACEは関連する問題レベルのエクスペリエンスを取得して、修正をガイドする。 CI-REPAIR-BENCHでは、12の障害カテゴリにわたる101リポジトリから565のPRレベルの修正を含むRETRACEがミニSWE-agent Pass@1を、MiniMax-M2.5で19.6%から31.9%、DeepSeek-V4-Flashで23.3%から32.8%に改善している。 マッチしたサブセットでは、Codexは15.5%から27.5%に改善されている。 両方のビューを組み合わせれば、どちらも一貫してパフォーマンスが向上し、問題修正アライメントの回復によって、過去のCI修復が再利用可能な修復エクスペリエンスとして機能することを示します。

関連論文リスト

• After the Fix: Transfer of Corrected Agent Experience [1.1453564854745386]
  エピソードの修復は、次のタスクにおいて、その体験をより良く記憶できることを示す。 私たちの3300は100のThinkingBoxペアと100のAPEXペアをソース状態の継承なしでカバーしています。
  論文  参考訳（メタデータ） (2026-09-28T08:35:23Z)
• Rollback the World, Keep the Reflection: Rollback-Induced Reflection for Long-Horizon LLM Agents [56.434418859203085]
  大規模言語モデル(LLM)エージェントは、多段階の環境相互作用を通じて、長い水平タスクに対処する。 単一の誤動作は、その後の状態や観測を変更でき、時間とともにエラーが複雑になる。 信頼性回復はロールバック境界制御問題として扱われるべきである。
  論文  参考訳（メタデータ） (2026-09-16T08:26:14Z)
• Independent Patch Verification for Coding Agents with a Bidirectional Reconstruct-and-Verify Framework [49.16055123488827]
  大規模言語モデルを利用したコーディングエージェントは、バグレポートから直接コードパッチを生成することができる。 報告された問題を真に解決するかどうかを独立に検証するメカニズムは存在しない。 本稿では,RETRACE をトレーニング不要なポストジェネレーション検証フレームワークとして提案する。
  論文  参考訳（メタデータ） (2026-08-09T22:59:13Z)
• PhoenixRepair: Rethinking Repair Strategy Exploration in Software Agents [62.36339598951133]
  PhoenixRepairは、複数の候補編集場所を探索し、より良いパッチを生成するマルチエージェントフレームワークである。 PhoenixRepairはDeepSeek-V3.1の下でSWE-agentよりも7.8%の最大の相対的改善を実現し、MiniMax-M2.5で76.0%のPass@1の最高分解率を達成した。
  論文  参考訳（メタデータ） (2026-07-21T08:49:30Z)
• EvoRepair: Enhancing Vulnerability Repair Agents Through Experience-Based Self-Evolution [22.605835230602935]
  大規模言語モデル(LLM)は、自動脆弱性修復(AVR)を約束している。 それらはいくつかの制限に直面しており、その中には、対外性エクスペリエンスの蓄積の欠如や、対外性エクスペリエンスの再利用の欠如が含まれる。 体験ベースの自己進化型エージェントフレームワークであるEvoRepairを提案する。
  論文  参考訳（メタデータ） (2026-05-28T15:46:58Z)
• Specification Vibing for Automated Program Repair [8.68148153927532]
  VibeRepairは仕様中心のAPR技術で、修正をアドホックなコード編集ではなく、行動特化修復として扱う。 Defects4J v1.2では、VibeRepairが174のバグを正しく修復し、最先端のベースラインを28のバグで越えている。 Defects4J v2.0では、178のバグを修復し、33のバグによる以前のアプローチよりも優れ、23%の改善を示している。
  論文  参考訳（メタデータ） (2026-02-09T04:44:58Z)
• Outcome-Conditioned Reasoning Distillation for Resolving Software Issues [49.16055123488827]
  本稿では, 検証済みパッチを監督として, リポジトリ内問題を解決したO-CRD(Outcome-Conditioned Reasoning Distillation)フレームワークを提案する。 歴史的修正から始まり、検証結果から段階的な修理トレースを後方に再構築する。 SWE-Bench Liteでは、GPT-4oではPass@1が10.4%、DeepSeek-V3では8.6%、GPT-5では10.3%増加する。
  論文  参考訳（メタデータ） (2026-01-30T18:25:39Z)
• 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)

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。