論文の概要: RegoMender: A Multi-agent Framework for Automated Rego Policy Repair
- arxiv url: http://arxiv.org/abs/2610.29456v1
- Date: Wed, 21 Oct 2026 09:14:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.300536
- Title: RegoMender: A Multi-agent Framework for Automated Rego Policy Repair
- Title（参考訳）: RegoMender: 自動Regoポリシー修復のためのマルチエージェントフレームワーク
- Abstract要約: 本稿では,最初の自動RegoポリシーベンチマークであるRegoBenchを紹介し,フィードバック誘導型マルチエージェントフレームワークであるRegoMenderを提案する。
RegoMenderは、複雑な修復シナリオを解決するためにパッチ、書き換え、ロールバックを実行する。
これはそれぞれ82.9%と77.9%の構文的およびテストベースのセマンティック成功率を達成し、最強のベースラインを13.4%上回っている。
- 参考スコア（独自算出の注目度）: 12.887235287158854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Policy-as-Code (PaC) has emerged as a foundational paradigm in cloud-native systems. However, repairing Rego policies remains challenging due to their strict syntax, declarative semantics, and specific verification requirements. Existing automated program repair (APR) methods are mainly designed for mainstream languages and struggle to accommodate the unique policy logic and repair workflows of Rego. Thus, Rego policy repair remains a manual process driven by trial and error. To address this, we introduce RegoBench, the first automated Rego policy benchmark comprising 1,159 real-world defects, and propose RegoMender, a feedback-guided multi-agent framework. Collaborating via a shared blackboard and an atomic toolkit, RegoMender dynamically executes patching, rewriting, or rolling back, to resolve complex repair scenarios. Evaluated on RegoBench, RegoMender achieves syntactic and test-based semantic success rates of 82.9\% and 77.9\%, respectively, outperforming the strongest baseline by 13.4\%. Unlike other approaches whose performance drops in complex scenarios, RegoMender maintains effectiveness across single-step and chained repair tasks. Furthermore, it generalizes strongly across HCL and SQL and achieves an 86.4\% repair rate on 132 real-world CVE vulnerabilities, proving its robustness and practical utility for security.
- Abstract（参考訳）: クラウドネイティブシステムの基本パラダイムとして、ポリシ・アズ・コード(PaC)が登場した。
しかし、厳密な構文、宣言的セマンティクス、特定の検証要件のために、Regoポリシーの修復は依然として困難である。
既存の自動プログラム修復法(APR)は主に主流言語向けに設計されており、Regoのユニークなポリシーロジックと修復ワークフローに対応するのに苦労している。
したがって、Regoポリシーの修復は、試行錯誤によって引き起こされる手作業のままである。
これを解決するために,1,159個の実世界の欠陥を含む最初の自動RegoポリシーベンチマークであるRegoBenchを紹介し,フィードバック誘導型マルチエージェントフレームワークであるRegoMenderを提案する。
共有ブラックボードとアトミックツールキットを介してコラボレーションすることで、RegoMenderは、複雑な修復シナリオを解決するために、動的にパッチ、書き換え、ロールバックを実行する。
RegoBenchで評価されたRegoMenderは、それぞれ82.9\%と77.9\%の構文的およびテストベースのセマンティック成功率を達成し、最強のベースラインを13.4\%上回る。
複雑なシナリオでパフォーマンスが低下する他のアプローチとは異なり、RegoMenderは単一ステップとチェーンの修復タスクで有効性を維持する。
さらに、HCLとSQLをまたいで強く一般化し、132の現実世界のCVE脆弱性に対する86.4\%の修復率を実現し、その堅牢性とセキュリティの実用性を証明している。
関連論文リスト
- BRIDGE: Selective Boundary Repair with Dependency Graph Evidence in Multi-Agent Systems [59.26551527044981]
methodは、ハンドオフ修復を明示的な依存性の摂動に対する選択的介入として扱うランタイム制御フレームワークである。
SILO-BENCHでは12.3パーセンテージ、TeamBenchでは11.1ポイントまでタスクの成功を加速させる。
論文 参考訳（メタデータ） (2026-10-13T06:31:57Z) - RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control [92.47481295713227]
本稿では,凍結ロボットポリシーのアクション・エグゼクティブ・インタフェースにおいて,効率的なリカバリのためのモデルに依存しないフレームワークであるRESETTLEを紹介する。
適応されたV-JEPAエンコーダを使用して、同じタスクのデモ参照を取得する。
LIBERO-Plus、Meta-World、RoboCasaでは最大8.70%、6.28%、絶対的な成功率6.83%に達する。
論文 参考訳（メタデータ） (2026-10-08T15:49:03Z) - RAVEN: Agentic RAG for Automated Vulnerability Repair [48.8954115363348]
自動脆弱性修復のためのスケーラブルで効率的で自律的なフレームワークであるRAVENを提案する。
RAVENは、エージェント検索拡張生成(RAG)パイプラインと、制御された反復的な修復を統一されたフレームワークに統合する。
RAVENは全体の修復成功率83.13%を達成し、既存のすべての修復フレームワークを上回っている。
論文 参考訳（メタデータ） (2026-06-21T19:18:06Z) - MemRepair: Hierarchical Memory for Agentic Repository-Level Vulnerability Repair [10.709112246848058]
現代のソフトウェアエコシステムは、公表された脆弱性の急増に直面している。
既存のシステムのほとんどは、脆弱性の修復を、現在見えるコードコンテキストの単一生成ステップとして扱う。
本稿では、メモリ拡張されたエージェントフレームワークであるMemRepairを紹介し、脆弱性修復を反復的、経験駆動的なプロセスとして定式化する。
論文 参考訳（メタデータ） (2026-05-17T13:29:46Z) - OGPO: Sample Efficient Full-Finetuning of Generative Control Policies [53.42266064673132]
ジェネレーティブコントロールポリシー(GCP)は、ロボット学習に有効なパラメータ化として登場した。
この研究は、GCPを微調整するためのサンプル効率であるOGPO(Off-policy Generative Policy Optimization)を導入している。
OGPOはマルチタスク設定、高精度挿入、デクスタラス制御にまたがる操作タスクにおける最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-05-04T18:36:40Z) - ARES: Adaptive Red-Teaming and End-to-End Repair of Policy-Reward System [70.10833169681239]
ヒトフィードバック(RLHF)からの強化学習は、大規模言語モデル(LLM)の整合の中心である
不完全なリワードモデル(RM)は、安全でない振る舞いをペナルティ化できないと、単一障害点になる可能性がある。
このような二重脆弱性を系統的に発見・緩和するフレームワークであるARESを紹介する。
論文 参考訳（メタデータ） (2026-04-20T19:54:47Z) - Repairing Regex Vulnerabilities via Localization-Guided Instructions [6.033257307910245]
正規表現(regexes)は、正規表現拒否(ReDoS)にシステムを公開する
しかし、現在のアプローチはトレードオフによって妨げられている。
信頼性を保ちながら一般化を活用するために設計されたハイブリッド・フレームワーク、ローカライズド・リフレクション(LRR)を導入する。
論文 参考訳（メタデータ） (2025-10-10T06:15:43Z) - REFINE: Enhancing Program Repair Agents through Context-Aware Patch Refinement [12.995571513415905]
大規模言語モデル(LLM)は、最近、自動プログラム修復(APR)に強い可能性を示している。
LLMは、コードコンテキストの限定的な理解と不完全なテストスイートへの過度な信頼のために、正しい修正を作成するのに苦労することが多い。
本稿では,ドラフトパッチを正しいものに体系的に変換する新しいパッチリファインメントフレームワークRefineを提案する。
論文 参考訳（メタデータ） (2025-10-04T00:34:32Z) - MemoCoder: Automated Function Synthesis using LLM-Supported Agents [1.498158806172909]
我々は,過去の修正から協調的な問題解決と永続的な学習を可能にするフレームワークであるMemoCoderを提案する。
中央メンタエージェントは、繰り返し発生するエラーパターンを特定し、ハイレベルな修正戦略を精査することにより、修復プロセスを監督する。
実験の結果,MemoCoderはゼロショットプロンプトと自己修復戦略の両方を一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2025-07-24T21:23:44Z) - SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。
提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。
我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
論文 参考訳（メタデータ） (2025-03-11T17:53:02Z)
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。