論文の概要: CAMGen: A Core Change-Aware Multi-View Framework for Commit Message Generation

• arxiv url: http://arxiv.org/abs/2610.31552v1
• Date: Thu, 22 Oct 2026 16:55:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.486194
• Title: CAMGen: A Core Change-Aware Multi-View Framework for Commit Message Generation
• Title（参考訳）: CAMGen: コミットメッセージ生成のためのコア変更対応マルチビューフレームワーク
• Abstract要約: コミットメッセージは、開発者がコードの変更を理解し、ソフトウェアのメンテナンスをサポートするのに役立つ。 最近のアプローチでは、リポジトリコンテキストを使用して、大規模言語モデル(LLM)によるコミットメッセージ生成を改善している。 機能的コンテキストを生成に組み込んだマルチビューコミットメッセージ生成フレームワークであるCAMGenを提案する。
• 参考スコア（独自算出の注目度）: 17.54572100169735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Commit messages help developers understand code changes and support software maintenance. Recent approaches use repository context to improve commit message generation (CMG) with large language models (LLMs). However, existing CMG methods provide limited support for understanding how local edits affect functionality jointly implemented by multiple code entities. This functional understanding is essential for generating commit messages that explain the main change and its impact. To address this problem, we propose CAMGen, a core change-aware multi-view commit message generation framework that incorporates functional context into generation. CAMGen identifies core entities that represent the primary change intent. It then forms candidate functional units through repository-wide semantic clustering and uses those containing the core entities to construct a Functional Semantic View. This view supplies semantic context for interpreting the affected functionality. CAMGen also uses context provided by the Structural Dependency View and the Historical Exemplar View. The context from all three views is then provided to the LLM together with the code diff to guide CMG. The experimental results show that CAMGen outperforms representative CMG baselines across three programming languages. Human evaluation further shows that CAMGen generates more complete commit messages with clearer explanations of change rationale and impact. These results demonstrate the value of functional context and complementary repository information for CMG.
• Abstract（参考訳）: コミットメッセージは、開発者がコードの変更を理解し、ソフトウェアのメンテナンスをサポートするのに役立つ。 最近のアプローチでは、大規模な言語モデル(LLM)でコミットメッセージ生成(CMG)を改善するためにリポジトリコンテキストを使用している。 しかし、既存のCMGメソッドは、ローカル編集が複数のコードエンティティによって共同で実装される機能にどのように影響するかを理解するための限定的なサポートを提供する。 この機能的な理解は、主な変更とその影響を説明するコミットメッセージの生成に不可欠です。 この問題に対処するため,機能的コンテキストを生成に組み込んだマルチビューコミットメッセージ生成フレームワークであるCAMGenを提案する。 CAMGenは、主要な変更意図を表すコアエンティティを識別する。 その後、リポジトリ全体のセマンティッククラスタリングを通じて候補機能ユニットを形成し、コアエンティティを含むユニットを使用して機能セマンティックビューを構築する。 このビューは、影響を受ける機能を解釈するためのセマンティックなコンテキストを提供します。 CAMGenはまた、構造依存性ビューと履歴例ビューによって提供されるコンテキストを使用する。 これら3つのビューのコンテキストは、CMGをガイドするコードdiffと共にLLMに提供される。 実験の結果,CAMGenは3つのプログラミング言語で代表的CMGベースラインより優れていた。 人間の評価はさらに、CAMGenは変更の合理性と影響のより明確な説明で、より完全なコミットメッセージを生成することを示している。 これらの結果は,CMGにおける機能的コンテキストと補完的リポジトリ情報の価値を示す。

関連論文リスト

• CoCoRerank: Towards Conventional Commit Message Generation by Component and Candidate Consistency Reranking [12.218676847320188]
  従来型のコミットメッセージ生成を,CCSフォーマットで検討した。 オープンソースGitHubリポジトリから収集した86,688の高品質コミットの新しいベンチマークを構築します。 LLM生成のための2次元整合性に基づくフレームワークCoCoRerankを提案する。
  論文  参考訳（メタデータ） (2026-09-25T08:04:37Z)
• ReBind: Multi-Reference Video Editing via Structured Instructions with Explicit Reference Relationships [53.24877477312131]
  ReBindは、組み込み参照トークンによるセマンティックインストラクションを導入する、体系的なフレームワークである。 ReBind-Instructは、視覚属性とその参照ソース間の明示的な結合を確立するための特殊なMLLMである。 また,複数の参照を協調するテキスト・ビデオ・モデルの軽量な適応を可能にするReBind-Editを開発した。
  論文  参考訳（メタデータ） (2026-07-16T07:43:27Z)
• CoRaCommit: A VS Code Extension for Commit Message Generation with Exemplar Retrieval [15.83659217400708]
  CoRaCommitは、同様のコミット例をプロンプトコンテキストとして検索することで、コミットメッセージ生成を強化するVS Codeエクステンションである。 ApacheCMデータセットから945のコミットに関する実験結果によると、CoRaCommitはBLEU、CIDEr、METEOR、ROUGE-Lメトリクスで既存のVS Code拡張機能を上回っている。
  論文  参考訳（メタデータ） (2026-06-18T05:43:01Z)
• Finding the Translation Switch: Discovering and Exploiting the Task-Initiation Features in LLMs [69.28193153685893]
  大きな言語モデル(LLM)は、タスク固有の微調整なしでも、しばしば強力な翻訳能力を示す。 このプロセスをデミスティフィケートするために、スパースオートエンコーダ(SAE)を活用し、タスク固有の特徴を特定するための新しいフレームワークを導入する。 我々の研究は、LLMの翻訳機構のコアコンポーネントをデコードするだけでなく、内部モデル機構を使用してより堅牢で効率的なモデルを作成するための青写真も提供しています。
  論文  参考訳（メタデータ） (2026-01-16T06:29:07Z)
• ThinkGen: Generalized Thinking for Visual Generation [97.19923474851987]
  ThinkGenは、さまざまな世代のシナリオでChain-of-Thought(CoT)推論を明示的に活用する、思考駆動のビジュアル生成フレームワークである。 本稿では,MLLMとDiTモジュール間の強化学習を交互に行う,分離可能なGRPOベースのトレーニングパラダイムを提案する。 実験の結果、ThinkGenは複数の世代ベンチマークで堅牢で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-29T16:08:50Z)
• CoRaCMG: Contextual Retrieval-Augmented Framework for Commit Message Generation [17.392708936075223]
  Commit Message Generationは、コード差分から記述的なコミットメッセージを自動的に生成し、開発者の労力を削減し、メッセージ品質を向上させることを目的としている。 本稿では,3つのフェーズで構成されたCommit Message Generationのためのコンテキスト検索拡張フレームワークであるCoRaCMGを提案する。 CoRaCMGは、プロジェクト固有の用語やスタイルを検索したdiff-messageペアから学習することを可能にする。
  論文  参考訳（メタデータ） (2025-09-22T19:00:04Z)
• Contextual Code Retrieval for Commit Message Generation: A Preliminary Study [18.46986692375691]
  コミットメッセージはコミットの主要なコード変更を記述し、ソフトウェアメンテナンスにおいて重要な役割を果たす。 既存のコミットメッセージ生成アプローチでは、コード差分を入力し、短い記述文を出力として生成する、直接マッピングとしてフレーム化するのが一般的である。 原コード差分は、高品質なコミットメッセージを生成するのに必要な完全なコンテキストをキャプチャできないため、コード差分のみに依存することは不十分である、と私たちは主張する。
  論文  参考訳（メタデータ） (2025-07-23T16:54:57Z)
• FOCUS: Unified Vision-Language Modeling for Interactive Editing Driven by Referential Segmentation [55.01077993490845]
  最近のLVLM(Large Vision Language Models)は、視覚的理解と生成的モデリングを統一する有望な能力を示している。 本稿では,分割認識と制御可能なオブジェクト中心生成をエンドツーエンドフレームワークに統合した統合LVLMであるFOCUSを紹介する。
  論文  参考訳（メタデータ） (2025-06-20T07:46:40Z)
• Commit Messages in the Age of Large Language Models [0.9217021281095906]
  コード変更に基づいてコミットメッセージを生成するOpenAIのChatGPTの性能を評価する。 本稿では、ChatGPTを用いて得られた結果と、コミットデータに特化して訓練された以前の自動コミットメッセージ生成手法を比較した。
  論文  参考訳（メタデータ） (2024-01-31T06:47:12Z)
• Position-Aware Contrastive Alignment for Referring Image Segmentation [65.16214741785633]
  マルチモーダル特徴のアライメントを強化するために,位置認識型コントラストアライメントネットワーク(PCAN)を提案する。 1)自然言語記述に関連するすべてのオブジェクトの位置情報を提供する位置認識モジュール(PAM)と,2)マルチモーダルアライメントを強化するコントラスト言語理解モジュール(CLUM)の2つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2022-12-27T09:13:19Z)
• Referring Image Segmentation via Cross-Modal Progressive Comprehension [94.70482302324704]
  画像セグメンテーションの参照は、自然言語表現で与えられた記述によく一致するエンティティの前景マスクをセグメンテーションすることを目的としている。 従来のアプローチでは、暗黙的な特徴相互作用と視覚的モダリティと言語的モダリティの融合を用いてこの問題に対処していた。 本稿では,この課題に効果的に対応するために,Cross-Modal Progressive (CMPC) モジュールと Text-Guided Feature Exchange (TGFE) モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:02:30Z)

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。