論文の概要: Complexity concentration as a god-class and god-method detector: a pre-registered test of a scale-free outlier rule against tool definitions and human labels

• arxiv url: http://arxiv.org/abs/2610.32466v1
• Date: Fri, 23 Oct 2026 10:33:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.496445
• Title: Complexity concentration as a god-class and god-method detector: a pre-registered test of a scale-free outlier rule against tool definitions and human labels
• Title（参考訳）: ゴッドクラス・ゴッドメタル検出器としての複雑度濃度--ツール定義と人間ラベルに対するスケールフリー・アウトリー・ルールの事前登録試験
• Abstract要約: ゴッドクラスとゴッドメタル検出器は、原スケールの閾値で複雑さを集中させる。 本論文は, 原スケール定数を持たない規則の試験を事前登録する。 10の言語で445のレポジトリ、そのうち171のJava、そして492のMLCQのJavaレポジトリでは、このルールはMDDのGodClassに反する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: God-class and god-method detectors mark concentrated complexity with a raw-scale threshold, a constant fitted on a corpus and re-fitted when the population moves. This paper pre-registers a test of a rule with no raw-scale constant: a unit is a god unit when its complexity is a robust outlier for its own codebase, a modified z-score of 3.5 or more. On 445 repositories in ten languages, 171 of them Java, and the 492 Java repositories of MLCQ, the rule is scored against PMD's GodClass, MLCQ's reviewers and two further definitions, with signal and cutoff chosen on half the repositories and read on the rest. LLM-written code may gather its complexity differently, the case for a detector that needs no re-fitting; the first question is whether one can match the scale of existing human-written code. The verdict is inconclusive on both populations, by different arms. The rule ranks PMD's god classes from the per-file maximum of cognitive complexity at per-repository AUCs of 0.916 and 0.908. On the main run it is, at its default, non-inferior within the margin to a cutoff tuned on the same population on recovery, and flags about twice as many non-god classes; on MLCQ it flags about as many and falls short of the margin on pooled recovery. Pooled, the raw value ranks god classes better than the per-repository score, and a cutoff carried between the populations lost almost nothing: both are human-written code on one scale, so the test is of matching that scale, not of surviving a shift. The rule's extra flags are small classes, just over half holding a method at PMD's own method-level threshold; its misses are large classes whose complexity is spread over many methods. Two readers of the source did not agree on what the extra flags are. Concentration finds where the complexity is; whether that place is a god unit is a question about coupling, which a registered follow-on study takes up.
• Abstract（参考訳）: ゴッドクラスとゴッドメタル検出器は、人口移動時にコーパスに固定された一定値の原スケールしきい値で複雑さを集中させる。 単位は、その複雑さが自身のコードベースの堅牢な外れ値であり、修正zスコアが3.5以上であるとき、神単位である。 MLCQの445のレポジトリ、そのうち171のJavaと492のJavaレポジトリでは、MDDのGodClass、MLCQのレビュアー、さらに2つの定義に対してルールが採られる。 LLMで書かれたコードは、再適合を必要としない検出器の場合のように、複雑さを別々に収集する可能性がある。 判決は両国民に異なる武器で決定的ではない。 この規則は、PMDの神クラスを、リポジトリごとのAUC(0.916と0.908)における認知複雑性のファイルごとの最大値からランク付けしている。 メインランでは、デフォルトでは、リカバリ時に同じ人口で調整されたカットオフと、非ゴッドクラスの約2倍のフラグ、MLCQでは、プールされたリカバリ時にマージンの約1倍のフラグを付けている。 荒らされ、生の価値観は、レポジトリごとのスコアよりも格段に高く、人口間の切り離しはほとんど何もなく、どちらも1つのスケールで書かれたコードなので、テストはシフトを生き残るのではなく、そのスケールにマッチする。 ルールの余分なフラグは小さなクラスで、MDD自身のメソッドレベルのしきい値でメソッドを半分以上保持しています。 ソースの2人の読者は、追加のフラグが何であるかに同意しませんでした。 その場所が神単位であるかは、結合に関する問題であり、登録されたフォローオン研究が引き継ぐ。

関連論文リスト

• Which Code Changes Need Re-embedding? CIPBench and the Limits of Multi-Signal Index Maintenance [5.3766731996862775]
  本研究は, 組込み変位から検索への影響に至るまで, 構文的重大性から変化がいかに伝播するかを特徴付ける。 我々は、厳密な事前埋め込み情報境界の下でメンテナンスポリシーをスコアするベンチマークであるCIPBenchとして決定を定式化する。 インデクシングされた状態からテキストが変更されていないユニットは、リスクなくスキップでき、最もリバージョンの多いプロジェクトでは、埋め込みコストのほぼ半分で済む。
  論文  参考訳（メタデータ） (2026-10-18T08:40:15Z)
• Agora: Git as Shared Memory for Collective AutoResearch [54.31992252587096]
  別々のセッションで作業する調査エージェントは、他の人が試したことと、構築可能な結果を知る必要がある。 各コミットは結果、洞察、仮説、検証、報告を記録し、それを以前の作業とリンクする。 約12日間に渡り,13人の言語モデル労働者がアゴラを重み移動問題の解決に利用したことを報告した。
  論文  参考訳（メタデータ） (2026-09-16T04:00:54Z)
• The Substrate Collapse: AI Code Generation Invalidates Authorship-Based Knowledge Metrics [0.0]
  ソフトウェア工学は、システムの知識がどこにあるのかを、そのコードを作成した人から長い間推測してきた。 本稿では、AIコード生成がそのルーツにおける推論に逆らうことを論じる。
  論文  参考訳（メタデータ） (2026-06-18T19:17:24Z)
• A Classification View on Meta Learning Bandits [67.41789029784755]
  我々は,固定された盗賊の収集のために,解釈可能かつ高速な探索計画のメタラーニングを行うために,本来の分類図を用いている。 これは$O (lambda-2 C_lambda) log2 (MH)$で、$M$は$mathbbM$、$lambda$は盗賊上の分離パラメータ、$C_lambda (mathbbM)$は新しい分類係数である。
  論文  参考訳（メタデータ） (2025-04-06T14:25:21Z)
• Memorize or Generalize? Evaluating LLM Code Generation with Code Rewriting [54.48306552577881]
  大規模な言語モデル(LLM)は、主にメモリ化(トレーニングデータの大きな部分を複製または再利用する)と一般化(Generalization)を併用している、と我々は主張する。 既存の評価は、表面/構造的類似性を無視し、繰り返しコードの良質な再利用を有害なリコールと記憶タスクの正しさで混同する。 そこで我々は,2つの信号を組み合わせた正規化スコアである覚書リスク指標(MRI)を提案する。 (i) モデルが元の地平解とどのように類似しているか, (ii) 元のタスクから書き換えされたタスクにどの程度の性能が低下するか。
  論文  参考訳（メタデータ） (2025-03-04T05:39:24Z)
• Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning [59.44422468242455]
  そこで我々はShrinkMatchと呼ばれる新しい手法を提案し、不確実なサンプルを学習する。 それぞれの不確実なサンプルに対して、元の Top-1 クラスを単に含むスランク類空間を適応的に求める。 次に、スランク空間における強と弱に強化された2つのサンプル間の整合正則化を課し、識別的表現を試みます。
  論文  参考訳（メタデータ） (2023-08-13T14:05:24Z)
• Latent Preserving Generative Adversarial Network for Imbalance classification [17.992830267031877]
  エンド・ツー・エンドの深層生成分類器を提案する。 本稿では,ジェネレータの遅延空間を予め保持するドメイン制約オートエンコーダを提案する。 3つの異なる多クラス不均衡問題と最先端手法との比較実験を行った。
  論文  参考訳（メタデータ） (2022-09-04T07:49:27Z)
• On Non-Random Missing Labels in Semi-Supervised Learning [114.62655062520425]
  Semi-Supervised Learning (SSL)は基本的にラベルの問題である。 SSL に "class" を明示的に組み込んでいます。 提案手法は,既存のベースラインを著しく上回るだけでなく,他のラベルバイアス除去SSL法を上回ります。
  論文  参考訳（メタデータ） (2022-06-29T22:01:29Z)
• Exploring Variational Graph Auto-Encoders for Extract Class Refactoring Recommendation [8.777491163186701]
  異なるコードの臭いの中で、ゴッドクラスまたはブロブは最も一般的なコードの臭いの1つです。 本稿では,より具体的な責任を持つ複数のクラスに神クラスを抽出する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-16T17:48:59Z)
• Evaluating Large-Vocabulary Object Detectors: The Devil is in the Details [107.2722027807328]
  我々は、APのデフォルト実装はカテゴリー独立ではなく、適切に校正された検出器を直接報酬するものではないことを発見した。 既定の実装ではゲーム可能なメトリックが生成され、単純で非合理的な再ランクポリシーがAPを大きなマージンで改善できることが示される。 我々は,近年の大規模語彙検出の進歩をベンチマークし,新たなクラスごとの独立性評価において,多くの報告された利益が改善に結びついていないことを発見した。
  論文  参考訳（メタデータ） (2021-02-01T18:56:02Z)

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。