論文の概要: WAR-CRAFT: Refining Web API Recommendations through Requirement Auditing

• arxiv url: http://arxiv.org/abs/2611.00564v1
• Date: Sat, 31 Oct 2026 02:42:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:15:02.308506
• Title: WAR-CRAFT: Refining Web API Recommendations through Requirement Auditing
• Title（参考訳）: WAR-CRAFT: 要求監査によるWeb APIレコメンデーションの洗練
• Abstract要約: APIレコメンダはマッシュアップリクエストのためにAPIセットを返すが、プロバイダのドキュメントに対してチェックしない。 我々は,要求,カタログ,提供者文書のみを用いて冷凍レコメンデータの出力を更新する勧告後の改善について検討する。
• 参考スコア（独自算出の注目度）: 9.222364849338346
• License:
• Abstract: Web API recommenders return a set of APIs for a mashup request but do not check it against provider documentation, the main public evidence of an API's capabilities. The set can therefore contain unsupported or redundant APIs and miss requested capabilities. Filling every apparent gap does not fix this, because a gap may already be served, may not need its own API, or may have no documented provider. We study post-recommendation refinement, which revises a frozen recommender's output using only the request, the catalog, and provider documentation. We propose WAR-CRAFT, which treats refinement as three decisions. An LLM removes unsupported or subsumed APIs by judging candidates jointly, then audits the remaining set against a requirement checklist derived from the request. For each uncovered requirement, a fine-tuned catalog-constrained Resolver proposes a catalog API or abstains, and an independent documentation check admits only supported proposals. On ProgrammableWeb with 7 heterogeneous upstream recommenders, WAR-CRAFT raises mean SetF1 from 0.558 to 0.644, above the strongest of 5 refinement baselines (62.5%), and roughly halves functional redundancy (0.127 to 0.065) without changing mean functional coverage. Gains range from +2.2 points on generative recommenders to +18.2 on fixed-cutoff rankers. At matched set sizes, WAR-CRAFT still outperforms truncating the upstream output, so the gain is not explained by set-size calibration alone. Our code is available at https://github.com/ZsXu-enrico/WAR-CRAFT.
• Abstract（参考訳）: Web APIレコメンダはマッシュアップリクエストのためにAPIセットを返すが、APIの機能を示す主要な公開証拠であるプロバイダドキュメンテーションに対してそれをチェックしない。 したがって、セットにはサポートされていない、または冗長なAPIが含まれ、要求された機能を見逃すことができる。 すべての明らかなギャップを埋めることは、この問題を解決しない。それは、ギャップはすでに提供されているかもしれないし、独自のAPIを必要としないかもしれないし、ドキュメント化されたプロバイダがないかもしれないからだ。 我々は,要求,カタログ,提供者文書のみを用いて冷凍レコメンデータの出力を更新する勧告後の改善について検討する。 本稿では,改良を3つの決定として扱うWAR-CRAFTを提案する。 LLMは、候補を共同で判断することで、サポート対象のAPIを削除し、その後、要求から派生した要求チェックリストに対して残りのセットを監査する。 未確認の要件ごとに、微調整のカタログ制約されたResolverがカタログAPIまたはabstainsを提案し、独立したドキュメントチェックがサポート対象の提案のみを許可する。 WAR-CRAFTは、7つのヘテロジニアスなアップストリームレコメンデータを持つProgrammableWebにおいて、平均SetF1を0.558から0.644まで引き上げ、5つの改良ベースライン(62.5%)を上回り、平均機能カバレッジを変更することなく機能的冗長性(0.127から0.065)を半減させる。 ゲインは、生成レコメンデーションの+2.2点から、固定カットオフのランクの+18.2点まで様々である。 一致したセットサイズでは、WAR-CRAFTはアップストリーム出力のトランケートよりも優れており、セットサイズのキャリブレーションだけではその利得を説明できない。 私たちのコードはhttps://github.com/ZsXu-enrico/WAR-CRAFTで公開されています。

関連論文リスト

• Pinocchio: Fast Uncertainty Estimates for Black-Box Language Models [73.50370994588927]
  ブラックボックスAPIモデルから応答の正しさを推定する外部キャリブレータであるPinocchioを紹介する。 我々のモデルは、不確実な推定を生成するために1つのフォワードパスしか必要とせず、ターゲットモデルのロジット、重み、または内部状態へのアクセスを必要としない。
  論文  参考訳（メタデータ） (2026-09-21T16:48:50Z)
• Using OAI Overlay to Enhance REST API Fuzzing [34.90666545902245]
  OpenAPI Initiative(OAI)標準オーバーレイは、この問題の解決策かもしれません。 We have extended the state-of-the-art fuzzer EvoMaster to support Overlay file。 私たちの産業的な結果は、Overlayが業界におけるREST APIのブラックボックスファジィングを可能にするための、実行可能なソリューションであることを示している。
  論文  参考訳（メタデータ） (2026-07-05T14:14:38Z)
• LAPIS: Lightweight API Specification for Intelligent Systems [0.0]
  大規模言語モデル(LLM)は、コード生成、自律エージェントインタラクション、APIアシスト推論のいずれにおいても、API仕様のコンシューマとしての役割を担っている。 LAPISは、APIトークンの使用に必要なセマンティック情報を保存するLLM消費に最適化されたドメイン固有フォーマットである。
  論文  参考訳（メタデータ） (2026-02-20T15:22:13Z)
• SoAy: A Solution-based LLM API-using Methodology for Academic Information Seeking [59.59923482238048]
  SoAyは学術情報検索のためのソリューションベースのLLM API利用方法論である。 ソリューションが事前に構築されたAPI呼び出しシーケンスである場合、推論メソッドとしてソリューションを備えたコードを使用する。 その結果、最先端のLLM APIベースのベースラインと比較して34.58-75.99%のパフォーマンス改善が見られた。
  論文  参考訳（メタデータ） (2024-05-24T02:44:14Z)
• Compositional API Recommendation for Library-Oriented Code Generation [23.355509276291198]
  我々は、粗粒度要求のためのAPIを推奨するために、"diide-and-conquer"戦略を採用するCAPIRを提案する。 RAPID(Documentationに基づく推奨API)とLOCG(Library-Oriented Code Generation)の2つの挑戦的なベンチマークを提示する。 これらのベンチマーク実験の結果,既存のベースラインと比較してCAPIRの有効性が示された。
  論文  参考訳（メタデータ） (2024-02-29T18:27:27Z)
• You Can REST Now: Automated REST API Documentation and Testing via LLM-Assisted Request Mutations [8.158964648211002]
  RESTSpecITは、ドキュメントを推論し、REST APIのブラックボックステストを実行する最初の自動化アプローチです。 当社のアプローチでは,最先端のツールに比べて最小限のユーザ入力が必要になります。 我々は,DeepSeek V3, GPT-4.1, GPT-3.5の3つの最先端LCMを用いてツールの品質を評価する。
  論文  参考訳（メタデータ） (2024-02-07T18:55:41Z)
• Evaluating Embedding APIs for Information Retrieval [51.24236853841468]
  ドメインの一般化と多言語検索における既存のセマンティック埋め込みAPIの機能を評価する。 BM25の結果をAPIを使って再ランク付けすることは、予算に優しいアプローチであり、英語でもっとも効果的である。 非英語検索では、再ランク付けは結果を改善するが、BM25のハイブリッドモデルは高いコストで機能する。
  論文  参考訳（メタデータ） (2023-05-10T16:40:52Z)
• REaaS: Enabling Adversarially Robust Downstream Classifiers via Robust Encoder as a Service [67.0982378001551]
  サービスプロバイダがエンコーダを事前トレーニングして、クラウドサービスAPIとしてデプロイする方法を示します。 クライアントはクラウドサービスAPIに問い合わせて、トレーニング/テスト入力のフィーチャーベクタを取得する。 私たちは、クライアントが下流の分類器の堅牢性を証明できるように、クラウドサービスが2つのAPIを提供する必要があることを示しています。
  論文  参考訳（メタデータ） (2023-01-07T17:40:11Z)

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。