論文の概要: CC4Q Workbench: From Quantum Repositories to Analyzable Code Comments
- arxiv url: http://arxiv.org/abs/2610.32651v1
- Date: Fri, 23 Oct 2026 13:59:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.5376
- Title: CC4Q Workbench: From Quantum Repositories to Analyzable Code Comments
- Title（参考訳）: CC4Q Workbench: 量子リポジトリから分析可能なコードコメントへ
- Abstract要約: 量子ソフトウェア開発キット(SDK)は、基礎となる数学的原理、回路意味論、ハードウェア特性を理解する必要がある高レベルのAPIを公開する。
コードコメントは、API呼び出しで明示されていない自然言語や構造的な説明を提供することができる。
我々は、コメント抽出、量子固有分類、手動検証を再利用可能なワークフローに統合するオープンソースのワークベンチであるCC4Qを紹介する。
- 参考スコア（独自算出の注目度）: 3.27351618731098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum software development kits (SDKs) expose high-level APIs whose use requires an understanding of underlying mathematical principles, circuit semantics, and hardware properties. Code comments can provide natural-language or structural explanations that are not explicit in API calls. However, studying comments in a new quantum SDK still requires researchers to coordinate separate steps for comment extraction, quantum-specific classification, and manual verification, resulting in repeated integration effort. To address this problem, we present CC4Q Workbench, an open-source workbench that integrates these steps into a reusable workflow. Given a Python repository at a specified revision, CC4Q Workbench automatically extracts code-comment pairs, segments comments into sentence-level units, and applies two trained classifiers to identify quantum-specific content and assign quantum-knowledge categories. Its web interface supports exploration of bundled datasets, inspection of code snippets, corpus construction from new repositories, manual annotation with model predictions hidden during binary labeling, and classifier fine-tuning using exported annotations. The release provides aggregate statistics for six SDK datasets comprising 39,593 sentence-level code comment units (SCCUs), of which 17,517 are browsable in the web interface. Applied to three additional application-layer Qiskit repositories outside the original CC4Q dataset, the pipeline ran without code changes and produced 11,517 SCCUs. Manual verification of 379 SCCUs showed 85.0% agreement between human annotations and the binary classifier's predictions.
- Abstract（参考訳）: 量子ソフトウェア開発キット(SDK)は、基礎となる数学的原理、回路意味論、ハードウェア特性を理解する必要がある高レベルのAPIを公開する。
コードコメントは、API呼び出しで明示されていない自然言語や構造的な説明を提供することができる。
しかし、新しい量子SDKでコメントを研究するには、研究者はコメント抽出、量子固有分類、手動検証の別々のステップを調整する必要がある。
この問題に対処するために、これらのステップを再利用可能なワークフローに統合するオープンソースのワークベンチであるCC4Q Workbenchを紹介します。
特定のリビジョンでPythonリポジトリが与えられたとき、CC4Q Workbenchは自動的にコード補完ペアを抽出し、コメントを文単位に分割し、2つの訓練された分類器を適用して、量子固有のコンテンツを識別し、量子知識カテゴリを割り当てる。
そのWebインターフェースは、バンドルされたデータセットの探索、コードスニペットの検査、新しいリポジトリからのコーパス構築、バイナリラベリング中に隠されたモデル予測による手動アノテーション、エクスポートされたアノテーションを使った分類器の微調整をサポートする。
このリリースは、39,593の文レベルのコードコメントユニット(SCCU)からなる6つのSDKデータセットの集計統計を提供する。
CC4Qデータセット以外の3つのアプリケーション層Qiskitリポジトリに適用されたパイプラインは、コード変更なしで動作し、11,517のSCCUを生成した。
379のSCCUのマニュアル検証では、人間のアノテーションとバイナリ分類器の予測との間に85.0%の一致が見られた。
関連論文リスト
- SIEVE: A Parameterized GitHub Corpus Builder for Software Engineering Research [3.2498534294827053]
SIEVE(Software Ingestion & extract for Verifiable Evaluation)は、オープンソースのパラメータ化GitHubコーパスビルダーである。
リポジトリ内の個々の関数、メソッド、クラスを特定し、それらをレコードとして抽出する。
プログラミング言語(Python、Java、JavaScript、C++)、リポジトリの品質、作成日など、いくつかの基準に基づいて、コーパスの構築を直接制御する。
論文 参考訳（メタデータ） (2026-10-15T18:42:31Z) - CORE-Bench: A Comprehensive Benchmark for Code Retrieval in the Era of Agentic Coding [44.75033190929879]
CORE-Benchはエージェントコーディングの時代におけるコード検索のベンチマークである。
コード理解、イシュー・ツー・エグゼクティブのローカライゼーション、より広いコンテキスト検索という3つのレベルで能力を評価する。
代表的な埋め込みモデルを用いた実験は、従来のコード検索からエージェント的なコーディング設定でのコード検索への急激な低下を示している。
論文 参考訳（メタデータ） (2026-06-10T09:38:41Z) - Code-QA-Bench: Separating Code Reasoning from Documentation Memorization in Repository-Level QA [7.478327602641997]
Code-QA-Benchはリポジトリレベルのコード理解ベンチマークを合成するためのフレームワークである。
10のPythonリポジトリで528のコードデリバティブと100のドキュメント依存タスクを生成します。
フレームワークはオープンソースで、ドキュメント化されたPythonリポジトリに適用できる。
論文 参考訳（メタデータ） (2026-05-28T02:52:58Z) - SWE-QA-Pro: A Representative Benchmark and Scalable Training Recipe for Repository-Level Code Understanding [41.98672557723593]
SWEQA-Proは,多種多様な長期リポジトリと実行可能な環境から構築されたベンチマークである。
さらに,2段階のトレーニングレシピであるSupervised Fine-Tuning(SFT)とReinforcement Learning from AI Feedback(RLAIF)という,スケーラブルな合成データパイプラインを提案する。
SWE-QA-ProのGPT-4oを2.3ポイント超え、最先端モデルとのギャップを大幅に狭める。
論文 参考訳（メタデータ） (2026-03-17T05:12:48Z) - Quantizer-Aware Hierarchical Neural Codec Modeling for Speech Deepfake Detection [10.201174843022425]
本稿では,音声深度検出のための階層型表現学習フレームワークを提案する。
本手法は, ASVspoof 2019では46.2%, ASVspoof5では13.9%のEER削減を実現している。
論文 参考訳（メタデータ） (2026-03-10T09:38:03Z) - Cross-modal Retrieval Models for Stripped Binary Analysis [62.89251403093734]
BinSeekは、取り除かれたバイナリコード分析のための最初の2段階のクロスモーダル検索フレームワークである。
BinSeekEmbeddingは、バイナリコードのセマンティックな関連性を学ぶために、大規模なデータセットでトレーニングされている。
BinSeek-Rerankerは、コンテキスト拡張による記述に対する候補コードの関連性を慎重に判断することを学ぶ。
論文 参考訳（メタデータ） (2025-12-11T07:58:10Z) - LLM as a Neural Architect: Controlled Generation of Image Captioning Models Under Strict API Contracts [48.83701310501069]
LLM誘導型ニューラルネットワーク探索パイプラインであるNN-Captionを提案する。
LEMURの分類バックボーンからCNNエンコーダを構成することで、実行可能な画像キャプチャモデルを生成する。
この作業では、プロンプトベースのコード生成と自動評価を統合するパイプラインを提示する。
論文 参考訳（メタデータ） (2025-12-07T10:47:28Z) - Compressed Feature Quality Assessment: Dataset and Baselines [89.62929964441962]
圧縮された特徴のセマンティック忠実度を評価するための最初のベンチマークデータセットを提案する。
MSE、コサイン類似性、CKA(Centered Kernel Alignment)という3つの広く使われているメトリクスを、意味的劣化を捉える能力の観点から体系的に評価する。
この研究は、基礎的なベンチマークを確立し、コミュニティがCFQAを探索するための重要なリソースを提供することによって、この分野を前進させます。
論文 参考訳（メタデータ） (2025-06-09T04:16:39Z) - Topical: Learning Repository Embeddings from Source Code using Attention [3.110769442802435]
本稿では,リポジトリレベルの埋め込みのための新しいディープニューラルネットワークであるTopicalを提案する。
attentionメカニズムはソースコード、フル依存グラフ、スクリプトレベルのテキストデータからリポジトリレベルの表現を生成する。
論文 参考訳（メタデータ） (2022-08-19T18:13:27Z)
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。