論文の概要: Towards Automatically Pruning Logging Code with Coding Agents: How Far Are We?

• arxiv url: http://arxiv.org/abs/2610.04716v1
• Date: Sat, 03 Oct 2026 19:11:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:44:47.055271
• Title: Towards Automatically Pruning Logging Code with Coding Agents: How Far Are We?
• Title（参考訳）: コーディングエージェントによるロギングコードの自動実行に向けて: どれくらいの時間か?
• Abstract要約: 過剰なロギングはノイズを追加し、ランタイムのオーバーヘッドを課し、診断情報を曖昧にします。 開発者ロギング削除の実践について検討し、このタスクにおけるコーディングエージェントの使用について検討する。 私たちの知る限りでは、この観点からロギングコードの除去を調べる最初の研究です。
• 参考スコア（独自算出の注目度）: 20.44924817650251
• License:
• Abstract: Logging code supports debugging, monitoring, and software maintenance, but excessive logging can add noise, impose runtime overhead, and obscure diagnostic information. While prior research has extensively studied logging code generation and modification, logging removal remains comparatively underexplored. In this paper, we study developer logging removal practices and explore the use of coding agents for this task. We extract and manually validate logging removal cases from Python and Java repositories and derive 10 removal patterns and 11 removal reasons that characterize how and why logging code was removed in real-world software changes. We further construct LogRem, a dataset of 387 real-world cases covering direct logging statement removal, logging infrastructure removal, and logging replacement. We evaluate four coding agents with multiple model settings and compare their outputs with accepted real-world changes. Although 95.6% to 100.0% of outputs pass validity checks, only 11.1% to 19.6% remove the same logging code as the corresponding real-world change while preserving unrelated code. Agents differ through missed removals, extra removals, and unrelated code edits, with substantial variation across logging removal categories and trajectories. Execution cost varies widely, but higher cost does not consistently yield closer alignment. Commit messages and developer discussions provide the largest alignment gains, while taxonomy guidance consistently reduces runtime. Overall, our study establishes logging removal as a distinct software maintenance task and shows that reliable automation depends on accurately determining removal scope while preserving necessary code. To the best of our knowledge, this is the first study to examine logging code removal from this perspective.
• Abstract（参考訳）: ロギングコードはデバッグ、監視、ソフトウェアのメンテナンスをサポートするが、過剰なロギングはノイズを追加し、ランタイムのオーバーヘッドを課し、診断情報を曖昧にすることができる。 以前の研究では、ロギングコードの生成と修正について広範な研究が行われてきたが、ロギング削除はいまだにあまり調査されていない。 本稿では,開発者のロギング削除の実践について検討し,この課題に対するコーディングエージェントの利用について検討する。 我々はPythonとJavaリポジトリからロギング削除ケースを抽出し手動で検証し、実際のソフトウェア変更でロギングコードが削除された理由と理由を特徴付ける10の削除パターンと11の削除理由を導出する。 さらに、直接ロギングステートメントの削除、ロギングインフラストラクチャの削除、ロギング置換を含む、387の現実世界のケースのデータセットであるLogRemを構築します。 我々は,複数のモデル設定を持つ4つの符号化エージェントを評価し,その出力を実世界の変化と比較した。 95.6%から100.0%の出力が妥当性チェックをパスしているが、関連するコードを保持しながら、対応する現実世界の変更と同じロギングコードを削除したのは11.1%から19.6%に過ぎなかった。 エージェントは、欠落した削除、余分な削除、無関係なコード編集を通じて異なる。 実行コストは様々であるが、高いコストが常に密接なアライメントをもたらすわけではない。 コミットメッセージと開発者の議論は、最大のアライメントゲインを提供する一方で、分類指導はランタイムを一貫して減少させる。 本研究は,ログの削除を個別のソフトウェアメンテナンスタスクとして確立し,信頼性の高い自動化は,必要なコードを保持しながら,削除範囲を正確に決定することに依存することを示す。 私たちの知る限りでは、この観点からロギングコードの除去を調べる最初の研究です。

関連論文リスト

• EngramBench: A Capability-Grounded Benchmark for Skill-Evolution Harnesses [50.93446596863591]
  EngramBenchは、ソリューションオーバーラップすることなく、厳密なオーバーラップの公理に支配される機能基底ベンチマークである。 人間の専門的検証によって裏付けられた48の複数時間実行軌跡に対する我々の評価は、手続き記憶に関する深い洞察を浮き彫りにしている。 破滅的なトークン重大な試行錯誤からエージェントを遠ざけることで、真の能力抽象化は冗長なコンテキストの肥大を削減し、全体的なコーディング時間を55%以上削減します。
  論文  参考訳（メタデータ） (2026-09-30T08:33:17Z)
• TRIM: Reducing AI-Generated CodeSlop via Agent Trajectory Minimization [57.14479960309637]
  コーディングエージェントは、多くの下流タスクでコード生成を加速するためにますます使われています。 その価値にもかかわらず、エージェント生成コードは、対応する人間による実装よりも大きく、冗長である傾向がある。 原因はエージェント自身の検索プロセスにあることを示す。
  論文  参考訳（メタデータ） (2026-07-20T17:06:19Z)
• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• Do AI Coding Agents Log Like Humans? An Empirical Study [7.650932309932137]
  81のオープンソースリポジトリにわたる4,550件のエージェントプルリクエストについて,実証的研究を行った。 58.4%のリポジトリでは、エージェントは人間よりもログを変更せず、ログ密度が高い。 レビューフィードバックなしでログと可観測性の問題を修正する「サイレント管理人」として,人間が72.5%のログ修復を行うのを観察した。
  論文  参考訳（メタデータ） (2026-04-10T15:22:58Z)
• Logging Like Humans for LLMs: Rethinking Logging via Execution and Runtime Feedback [17.85879405133239]
  ランタイムフィードバックによってガイドされる反復ロギング生成フレームワークであるReLogを紹介します。 欠陥のローカライゼーションや修復など,下流デバッグタスクを通じてReLogを評価する。 結果は、ReLogがすべてのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-31T01:18:49Z)
• SlopCodeBench: Benchmarking How Coding Agents Degrade Over Long-Horizon Iterative Tasks [55.76734816061826]
  我々は20の問題と93のチェックポイントからなる言語に依存しないベンチマークであるSlopCodeBenchを紹介する。 我々は、冗長性、重複コードの割合、構造的侵食という2つの軌道レベルの品質信号を追跡する。 11モデルにまたがるエンドツーエンドの問題を解決するエージェントは存在しない。
  論文  参考訳（メタデータ） (2026-03-25T19:26:44Z)
• Defects4Log: Benchmarking LLMs for Logging Code Defect Detection and Reasoning [17.585929362588555]
  コードのロギングは、開発者がシステムランタイムの振る舞いをキャプチャするために記述する。 ロギングコードの欠陥は、ログの有用性を損なう可能性があるため、誤解を招く可能性がある。 大規模言語モデル(LLM)は、有望な一般化と推論能力を示している。
  論文  参考訳（メタデータ） (2025-08-15T08:20:09Z)
• Taxonomy of Software Log Smells [5.810137118676013]
  この研究の目的は、開発者がより良いロギングコードを書くのに役立つログの臭いの分類を作ることだ。 我々は,学術文献の調査を行い,ロギング問題とツールを特定した。 本論文では,10個のログの匂いの分類について述べる。
  論文  参考訳（メタデータ） (2024-12-12T13:54:17Z)
• LogUpdater: Automated Detection and Repair of Specific Defects in Logging Statements [29.631530836349505]
  開発者はロギングステートメントを使用して、ソフトウェアランタイムの動作とシステムステータスを追跡する。 不正あるいは誤解を招くログは、真の実行パターンを隠蔽し、ソフトウェアのメンテナンスを妨げる可能性がある。 ログ中心の変化を分析することによって,4種類のログステートメント欠陥を識別する研究を行う。 LogUpdaterは、これらのログ欠陥を自動的に検出し、更新するフレームワークです。
  論文  参考訳（メタデータ） (2024-08-06T11:04:37Z)
• LogFormer: A Pre-train and Tuning Pipeline for Log Anomaly Detection [73.69399219776315]
  本稿では,ログ異常検出(LogFormer)のためのTransformerベースの統合フレームワークを提案する。 具体的には、ログデータの共有セマンティック知識を得るために、まず、ソースドメイン上で事前学習を行う。 そして、そのような知識を共有パラメータを介して対象領域に転送する。
  論文  参考訳（メタデータ） (2024-01-09T12:55:21Z)
• Self-Supervised Log Parsing [59.04636530383049]
  大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。 既存のアプローチは、ログ特化や手動ルール抽出に依存している。 本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
  論文  参考訳（メタデータ） (2020-03-17T19:25:25Z)

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。