論文の概要: RepGen: Reproducing Deep Learning Bugs through Context-Aware Code Generation and Verification

• arxiv url: http://arxiv.org/abs/2610.41097v1
• Date: Fri, 30 Oct 2026 00:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.568278
• Title: RepGen: Reproducing Deep Learning Bugs through Context-Aware Code Generation and Verification
• Title（参考訳）: RepGen: コンテキスト対応コード生成と検証によるディープラーニングバグの再現
• Abstract要約: RepGenは、文脈対応コード生成と反復検証を通じて、ディープラーニング(DL)バグを再現するオープンソースツールである。 27人の開発者による対照研究では、再生成功率が23.35%改善し、再生時間が56.8%減少した。
• 参考スコア（独自算出の注目度）: 6.992405861720876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reproducing deep learning (DL) bugs is challenging because failures can involve source code, models, data, dependencies, and execution environments. Incomplete bug reports further complicate reproduction by omitting essential details. We present RepGen, an open-source tool for reproducing DL bugs through context-aware code generation and iterative verification. Given a bug report and repository, RepGen explores the codebase to build a learning-enhanced context, develop a reproduction plan, and generate candidate scripts. It refines candidates using static checks and LLM feedback to improve their correctness and relevance. When enabled, the tool prepares the execution environment, runs the script, and assesses its output against the reported failure. RepGen provides an interactive command-line interface supporting local and hosted LLMs, configurable execution budgets, and inspectable artifacts, along with a GitHub Action for automated issue processing. The underlying approach reproduced 85 of 106 real-world DL bugs (80.19%). A controlled study with 27 developers showed a 23.35% improvement in reproduction success and a 56.8% reduction in reproduction time.
• Abstract（参考訳）: ソースコード、モデル、データ、依存関係、実行環境を含む可能性があるため、ディープラーニング(DL)バグを再現することは難しい。 不完全なバグ報告は、本質的な詳細を省略することによって、さらなる複製を複雑にする。 本稿では、文脈認識コード生成と反復検証を通じてDLバグを再現するオープンソースのツールRepGenを紹介する。 バグレポートとレポジトリが与えられた後、RepGenはコードベースを調査し、学習の強化されたコンテキストを構築し、再生計画を開発し、候補スクリプトを生成する。 静的チェックとLCMフィードバックを使って候補を洗練し、その正しさと妥当性を改善します。 有効にすると、ツールは実行環境を準備し、スクリプトを実行し、報告された障害に対して出力を評価する。 RepGenは、ローカルおよびホストされたLLM、設定可能な実行予算、検査可能なアーティファクトをサポートするインタラクティブなコマンドラインインターフェースと、自動イシュー処理のためのGitHub Actionを提供する。 実際のDLバグ106件中85件(80.19%)を再現した。 27人の開発者による対照研究では、再生成功率が23.35%改善し、再生時間が56.8%減少した。

関連論文リスト

• Anchored Self-Play for Code Repair [68.0728003844994]
  コード修復は言語モデル(LM)の重要な機能である 本稿では,1つのモデルを強化学習で訓練し,バグを生成して修正する__generator--fixer self-play__を提案する。 BugSourceBenchでは、セルフプレイは難しいが非現実的なバグへと向かっている。 本稿では,参照バグの生成と混合のためのコード埋め込み型類似性報酬をフィクスチャトレーニングに付加することにより,小さな参照セットでセルフプレイをアンロックするAnchored Self-Play (ASP)を提案する。
  論文  参考訳（メタデータ） (2026-07-03T17:51:52Z)
• ReproRepo: Scaling Reproducibility Audits with GitHub Repository Issues [54.98461672730087]
  ReproRepoは、人為的なGitHub問題を活用するスケーラブルな評価フレームワークで、現実的な再現ブロッカーを自然に監視する。 ReproRepoは、大規模なカンファレンスから1,149件の機械学習論文をインスタンス化し、4つのフロンティアモデルエージェント構成を評価します。 その結果, LLMエージェントは, コードを実行せずにも, 紙とリポジトリのペアから多くの実世界の問題を識別できることがわかった。
  論文  参考訳（メタデータ） (2026-06-16T17:58:05Z)
• Imitation Game: Reproducing Deep Learning Bugs Leveraging an Intelligent Agent [6.992405861720876]
  RepGenは、ディープラーニングバグを再現するための、新しく、自動化され、インテリジェントなアプローチである。 実世界の106のディープラーニングバグに対してRepGenを評価し,再現率80.19%を達成した。
  論文  参考訳（メタデータ） (2025-12-17T00:50:58Z)
• RepoDebug: Repository-Level Multi-Task and Multi-Language Debugging Evaluation of Large Language Models [49.83481415540291]
  LLM(Large Language Models)は、コードのデバッグに非常に熟練している。 本稿ではマルチタスクおよび多言語リポジトリレベルのコードデバッグデータセットであるRepo Debugを紹介する。 最高のパフォーマンスモデルである Claude 3.5 Sonnect は,リポジトリレベルのデバッグでは依然としてうまく動作しない。
  論文  参考訳（メタデータ） (2025-09-04T10:13:21Z)
• Turning the Tide: Repository-based Code Reflection [52.13709676656648]
  マルチファイルリポジトリコンテキストにおけるコード理解と生成を評価するベンチマークであるLiveRepoReflectionを紹介する。 多様性、正確性、難易度を確保するため、6ドル(約6,800円)のプログラミング言語で厳格にテストケースをフィルタリングしました。 RepoReflection-Instructは、さまざまなソースから派生した大規模で品質の高い命令チューニングデータセットである。
  論文  参考訳（メタデータ） (2025-07-14T02:36:27Z)
• RepoAudit: An Autonomous LLM-Agent for Repository-Level Code Auditing [8.846583362353169]
  RepoAuditは、自律的なリポジトリレベルのコード監査エージェントである。 78.43%の精度で、15の現実世界のベンチマークプロジェクトにおいて40の真のバグを検出する。 また、著名なプロジェクトの185の新たなバグを検出し、そのうち174が確認または修正されている。
  論文  参考訳（メタデータ） (2025-01-30T05:56:30Z)
• Prompting Is All You Need: Automated Android Bug Replay with Large Language Models [28.69675481931385]
  本稿では,バグ報告から迅速なエンジニアリングを通じてバグを自動的に再現する,新しい軽量なアプローチであるAdbGPTを提案する。 AdbGPTは、LLMから人間の知識と論理的推論を引き出すために、少数ショットの学習と連鎖推論を活用する。 この評価は,253.6秒で81.3%のバグレポートを再現するAdbGPTの有効性と有効性を示すものである。
  論文  参考訳（メタデータ） (2023-06-03T03:03:52Z)
• Using Developer Discussions to Guide Fixing Bugs in Software [51.00904399653609]
  我々は,タスク実行前に利用可能であり,また自然発生しているバグレポートの議論を,開発者による追加情報の必要性を回避して利用することを提案する。 このような議論から派生したさまざまな自然言語コンテキストがバグ修正に役立ち、オラクルのバグ修正コミットに対応するコミットメッセージの使用よりもパフォーマンスの向上につながることを実証する。
  論文  参考訳（メタデータ） (2022-11-11T16:37:33Z)
• Large Language Models are Few-shot Testers: Exploring LLM-based General Bug Reproduction [14.444294152595429]
  問題によりオープンソースリポジトリに追加されたテストの数は、対応するプロジェクトテストスイートサイズの約28%であった。 本稿では,Large Language Models (LLMs) を用いたLIBROを提案する。 LIBROの評価は、広く研究されているDefects4Jベンチマークにおいて、全ての研究ケースの33%で障害再現テストケースを生成することができることを示している。
  論文  参考訳（メタデータ） (2022-09-23T10:50:47Z)

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。