論文の概要: RELAY: Scaling Historical Build Restoration through Rule Reuse and Agentic Repair

• arxiv url: http://arxiv.org/abs/2610.27784v1
• Date: Tue, 20 Oct 2026 07:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.703285
• Title: RELAY: Scaling Historical Build Restoration through Rule Reuse and Agentic Repair
• Title（参考訳）: ReLAY: ルール再利用とエージェント修復による歴史的ビルド復元のスケールアップ
• Abstract要約: OSS-Fuzz 症例の69.7% は再建と検証が完了していない。 したがって、再発する障害が一度診断され、その修復が再利用される。 まずルールを適用し、残りのケースをエージェントにエスカレートするハイブリッドアプローチは、どちらのアプローチよりも多くのビルドを復元する。
• 参考スコア（独自算出の注目度）: 0.49416305961918044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vulnerability benchmarks and software engineering research depend on rebuilding historical software. Yet builds rely on external resources, such as base images and packages, that change independently of the source code. In this study, we examine this environment decay on 14,159 OSS-Fuzz cases. We find that 69.7% no longer complete reconstruction and verification, and that most failures share a small number of recurring failure symptoms. A recurring failure can therefore be diagnosed once and its repair reused. We present Relay, a hybrid framework that uses an LLM to derive and validate deterministic repair rules from representative failures, reuses them without model calls, and escalates cases unresolved by rules to a per-case agent. We evaluate Relay in human-guided and fully automated rule-derivation campaigns and compare it with a per-case agent approach. We find that rule derivation can be fully automated, and that reusable rules restore as many builds as per-case agents with fewer build executions. However, agents restore cases that the rules cannot. Our results show that a hybrid approach that applies rules first and escalates the remaining cases to an agent restores more builds than either approach alone and at a lower cost than using agents alone.
• Abstract（参考訳）: 脆弱性ベンチマークとソフトウェア工学の研究は、過去のソフトウェアを再構築することに依存する。 しかしビルドはソースコードとは独立して変化するベースイメージやパッケージといった外部リソースに依存している。 本研究では,14,159 OSS-Fuzz ケースの環境崩壊について検討した。 69.7%は再建と検証が完了せず、ほとんどの障害は少数の再発症状を共有している。 したがって、再発する障害が一度診断され、その修復が再利用される。 本稿では, LLM を用いて代表的障害から決定論的修復ルールを導出し検証し, モデルコールなしで再利用し, ケースをケース単位のエージェントにエスカレーションするハイブリッドフレームワーク Relay を提案する。 我々は,人間誘導型かつ完全自動化されたルール導出キャンペーンにおけるRelayを評価し,ケースごとのエージェントアプローチと比較した。 ルールの導出は完全に自動化でき、再利用可能なルールは、より少ないビルド実行でケース毎のエージェントと同じくらい多くのビルドを復元できる。 しかし、エージェントはルールができないケースを復元する。 以上の結果から,ルールを先に適用し,残りの事例をエージェントにエスカレートするハイブリッドアプローチは,エージェント単独のアプローチよりも,低コストでビルドを復元する。

関連論文リスト

• Lost in Recovery: Demystifying Recovery Behavior of Computer-Use Agents via Goal-Oriented Action Replay [63.05870209824107]
  本稿では,コンピュータ利用エージェントの回復行動を研究するためのスケーラブルな評価フレームワークReTraceを提案する。 我々は、制御されたエラーインジェクションの後にゴール指向のアクションリプレイによって、この基準を運用する。 ReTraceを用いて、自律型モデルベースリカバリに関する最初の体系的研究を行う。
  論文  参考訳（メタデータ） (2026-10-20T09:59:12Z)
• MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
  MeshHealは、完全に分散化された自己修復フレームワークである。 能力にマッチしたピアレビューを2つのタイムスケールに分けている。 1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
  論文  参考訳（メタデータ） (2026-09-24T04:29:37Z)
• Grow the Harness, Not the Context: From Strategy-Free Scaffolds to Reusable Specialist Agents [40.22528682803753]
  大きな言語モデル(LLM)エージェントは、しばしば関連するタスクのストリームを処理するが、標準的なハーネスは、各タスクのコンテキスト内で同じ制御決定を再構築するようモデルに繰り返し要求する。 タスク固有のセマンティック推論のためのLCMコールを保存しながら、繰り返し制御を再利用可能なコードに変換することができるかどうかを検討する。 我々は,障害誘導型トレーニングパラダイムであるGrowing Harnessを紹介し,エージェント自身を戦略のない足場から学習する。
  論文  参考訳（メタデータ） (2026-09-22T17:40:45Z)
• RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.77275934611428]
  正規化再帰的自己改善型エージェント・ハーネス(RRSI) 本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。 RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
  論文  参考訳（メタデータ） (2026-09-21T17:54:49Z)
• Diagnosis Before Recovery: Turning Agent Failures into Selective Self-Correction [22.654396704495934]
  開発セット障害は、どのリカバリ介入が許容可能かを決定することにより、欠落診断基板の一部を回復することができる。 DARCは、タスクファミリー障害モードをプロファイリングし、共有リカバリライブラリから不正な介入を発生させ、検証者選択によるデプロイメント成功コストポリシーを凍結する、診断誘導型リカバリハーネスである。
  論文  参考訳（メタデータ） (2026-08-12T08:14:45Z)
• FailForge: Distilling Procedural Competence from Persistent Failures into Code Agents [49.519184792774304]
  FailForgeは、失敗したロールアウトをトレーニングシグナルに変換するエージェントフレームワークである。 FailForgeは、これまで失敗したインスタンスの26%を、限界的な追加コストでリカバリする。
  論文  参考訳（メタデータ） (2026-08-09T08:22:57Z)
• ReGRPO: Reflection-Augmented Policy Optimization for Tool-Using Agents [52.531681772560724]
  Supervised Fine-tuning (SFT) は主に軌道軌道上で構築されており、ツール故障後の回復のための信号はほとんど得られない。 ツール使用エージェントの反射誘導補正を学習するフレームワークであるReGRPOを紹介する。 GTAとGAIAの実験では、同じバックボーンとツールスイートの下で、ReGRPOは一貫して強力なオープンソースベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-06-30T09:19:38Z)
• Automating Computational Reproducibility in Social Science: Comparing Prompt-Based and Agent-Based Approaches [0.3637090866781549]
  計算研究の再現は、提供されたデータで元のコードを再実行するのと同じくらい単純であるとしばしば考えられている。 本研究では,大規模な言語モデルとAIエージェントが,そのような障害の診断と修復を自動化できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-02-09T11:59:59Z)

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。