論文の概要: From Finding to Fixing: How Useful is Fault Localization for Agentic Program Repair?

• arxiv url: http://arxiv.org/abs/2610.25826v1
• Date: Mon, 19 Oct 2026 05:43:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:26:30.681343
• Title: From Finding to Fixing: How Useful is Fault Localization for Agentic Program Repair?
• Title（参考訳）: 発見から修正へ:エージェントプログラム修復における障害局所化はどの程度有用か?
• Abstract要約: フォールトローカライゼーション(FL)は、ソフトウェア障害の原因となるコードの位置を特定することを目的としている。 近年, LLMを用いたFL法では局所化精度が向上しているが, エージェント修復への影響は明らかでない。 我々は,SWE-bench Verified and Defects4Jにおける最近のFL法を3つのLLMを用いて評価した。
• 参考スコア（独自算出の注目度）: 14.438300737283205
• License:
• Abstract: Fault localization (FL) aims to identify code locations responsible for software failures and is commonly evaluated by how accurately it ranks known fault locations. Large language model (LLM) agents are changing program repair and are increasingly used to search and reason over repositories. Although recent LLM-based FL methods have improved localization accuracy, their impact on agentic repair remains unclear. To address this gap, we conduct a systematic empirical study of FL in agentic repair. We evaluate six recent FL methods on SWE-bench Verified and Defects4J with three LLMs under a common repair framework and analyze 16,248 repair trajectories. We also examine gold locations and bug-cause descriptions as forms of FL guidance across different repair contexts. The studied FL methods do not consistently improve repair success, and higher localization accuracy does not consistently lead to larger repair gains. Yet FL guides agents' early search and helps them reach relevant code sooner. Accurate locations can reduce repair token use by up to 39.2\%, but current FL methods often consume more tokens than they save during repair. Experiments with gold guidance suggest that FL has greater potential when bug inputs contain fewer location clues. Providing bug causes can further improve repair success beyond locations alone. We also find that ground truth from a single reference patch does not fully capture the locations used by successful repairs. These findings help clarify the value of FL in agentic repair and inform future work on its design and evaluation.
• Abstract（参考訳）: フォールトローカライゼーション(FL)は、ソフトウェア障害の原因となるコードの位置を特定することを目的としており、既知のフォールトロケーションの正確なランク付けによって一般的に評価されている。 大規模言語モデル(LLM)エージェントはプログラムの修復を変更しており、リポジトリの検索や推論にますます利用されている。 近年, LLMを用いたFL法では局所化精度が向上しているが, エージェント修復への影響は明らかでない。 このギャップに対処するため,エージェント修復におけるFLの系統的研究を行った。 我々は,SWE-bench Verified and Defects4Jにおける最近のFL法を3つのLLMで評価し,16,248個の補修軌道を解析した。 また、修理状況の異なるFLガイダンスの形式として、金の場所やバグ原因の記述についても検討する。 FL法は補修成功率を一定に向上せず, 局所化精度が向上しても, 補修精度は向上しない。 しかし、FLはエージェントの早期検索をガイドし、より早く関連するコードへの到達を支援する。 正確な場所は修理用トークンの使用を最大39.2\%削減できるが、現在のFLメソッドは修理時に保存するトークンよりも多くのトークンを消費する。 金のガイダンスを用いた実験では、バグ入力がより少ない位置情報を含む場合、FLはより大きなポテンシャルを持つことが示された。 バグの原因の提供は、場所だけでなく、修復の成功をさらに改善する可能性がある。 また、単一の参照パッチから得られる基礎的な真実は、修復が成功したときに使われる場所を完全に捉えていないこともわかりました。 これらの知見は, エージェント修復におけるFLの価値を明らかにする上で有効であり, その設計と評価に関する今後の研究を知らせるものである。

関連論文リスト

• Where Did We Go Wrong? Localizing Errors to Repair Multi-Turn Conversations [49.396560970345284]
  誤解釈を確率論的にローカライズするフレームワークであるLociを紹介する。 Lociはベースライン上のローカライゼーションを改善し,複数のエラーが発生した場合にその利点が大きくなることを示す。 次に、誤解釈が自然に発生する自由形式の会話で評価し、最初の失敗後にタスクを完了させるために必要な相互作用を測定する。
  論文  参考訳（メタデータ） (2026-10-10T20:10:59Z)
• 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)
• Characterizing and Bridging the Diagnostic Gap in eBPF Verifier Rejections [5.3302893005312955]
  eBPFにより、開発者はLinuxカーネル内でカスタムプログラムを実行できる。 検証者がプログラムを拒否すると、不確実なエラーにより修復が困難になる。 証明が確立された場所と,検証ログから失われていた場所を再構築するbpfixを提案する。
  論文  参考訳（メタデータ） (2026-07-02T20:33:32Z)
• RGFL: Reasoning Guided Fault Localization for Automated Program Repair Using Large Language Models [1.9196411948992402]
  本稿では,ファイルレベルのローカライゼーションと要素レベルのローカライゼーションを改善するプロジェクトレベルのFL手法を提案する。 SWE-bench Verified、Lite、JavaからPythonとJavaプロジェクトのアプローチを評価します。
  論文  参考訳（メタデータ） (2026-01-25T23:41:42Z)
• Repairing vulnerabilities without invisible hands. A differentiated replication study on LLMs [5.10123605644148]
  自動脆弱性修復(AVR: Automated Vulnerability repair)は、プログラム修復の急激な分岐である。 近年の研究では、大きな言語モデル(LLM)が従来の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-07-28T16:39:16Z)
• Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
  本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。 プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。 また, GPT-4o miniが74.18%と高い修理成功率を示した。
  論文  参考訳（メタデータ） (2025-07-04T15:36:12Z)
• Repair Ingredients Are All You Need: Improving Large Language Model-Based Program Repair via Repair Ingredients Search [41.50068103527948]
  ReinFixは、バグ修正の推論と解決フェーズを通じて、修復材料を検索するフレームワークである。 ソリューションフェーズでは、ReinFixは、同様のバグパターンで過去のバグ修正から外部の要素を検索する。 2つの人気のあるベンチマークによる評価は、SOTAベースラインに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2025-06-29T06:02:11Z)
• Fault Localisation and Repair for DL Systems: An Empirical Study with LLMs [17.586333091528594]
  本稿では,障害局所化(FL)と修復手法の総合的な評価について述べる。 本稿では,Large Language Models (LLM) の能力を利用して,DL故障のローカライズと修復を行う手法を提案する。
  論文  参考訳（メタデータ） (2025-06-03T21:08:33Z)
• Investigating the Transferability of Code Repair for Low-Resource Programming Languages [57.62712191540067]
  大規模言語モデル(LLM)は、コード生成タスクにおいて顕著なパフォーマンスを示している。 近年の作業は、連鎖推論や蒸留といった現代的な技術を統合することで、コード修復のプロセスを強化している。 高低資源言語と低低資源言語の両方でコード修復を蒸留する利点について検討する。
  論文  参考訳（メタデータ） (2024-06-21T05:05:39Z)

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。