論文の概要: Caprese: Change Impact Recommendation Using History and Runtime Analysis
- arxiv url: http://arxiv.org/abs/2611.14937v1
- Date: Wed, 11 Nov 2026 02:38:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.986517
- Title: Caprese: Change Impact Recommendation Using History and Runtime Analysis
- Title(参考訳): Caprese: 履歴とランタイム分析を用いた変更の影響推奨
- Abstract要約: CapreseはNode.jsの関数レベルの変更影響レコメンデーションのためのオープンソースフレームワークである。
変更セットが与えられた場合、潜在的に影響を受ける関数のランク付けされた影響セットを生成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Change impact recommendation identifies program entities potentially affected by source code changes. Historical co-changes and runtime dependencies provide complementary evidence, particularly in JavaScript, where dynamic and asynchronous behaviour complicates dependency analysis. We present Caprese, an open-source framework for function-level change impact recommendation in Node.js. Given a change set, it produces a ranked impact set of potentially affected functions. It supports repository-based recommendation through confidence-guided mining of recurring, change-set-relevant co-change patterns of varying lengths; dynamic recommendation through execution-derived dependencies involving calls, callbacks, events, timers, and shared state; and hybrid recommendation integrating both analyses. Its modular implementation supports reusable analyses. Evaluation on ten open-source applications and 100 selected change sets shows that, on average across projects, 77.4% of the relevant functions among the top 60 hybrid recommendations are identified exclusively by one analysis, demonstrating substantial complementarity. Dynamic recommendation achieves the highest mean precision among the top five recommendations (0.65), while repository-based recommendation performs best when the ranking is extended to 60 recommendations (0.42). Hybrid recommendation outperforms TARMAQ on average but does not consistently outperform the individual modes. Caprese is publicly available with source code, documentation, and evaluation artifacts.
- Abstract(参考訳): 変更影響レコメンデーションは、ソースコードの変更によって影響を受ける可能性のあるプログラムエンティティを特定する。
特にJavaScriptでは、動的かつ非同期な振る舞いが依存性分析を複雑にする。
Node.jsの関数レベルの変更影響レコメンデーションのためのオープンソースのフレームワークであるCapreseを紹介します。
変更セットが与えられた場合、潜在的に影響を受ける関数のランク付けされた影響セットを生成する。
リポジトリベースのレコメンデーションは、リレーショナルなリコメンデーション、さまざまな長さの変更セット関連コチェンジパターンのリコメンデーション、コール、コールバック、イベント、タイマー、共有状態を含む実行依存性による動的レコメンデーション、両方の分析を統合するハイブリッドレコメンデーションなどをサポートする。
モジュラ実装は再利用可能な分析をサポートする。
10個のオープンソースアプリケーションと100個の変更セットの評価は、プロジェクト全体で平均して、上位60のハイブリッドレコメンデーションのうち77.4%が1つの分析によってのみ特定され、実質的な相補性を示していることを示している。
動的レコメンデーションは、上位5つのレコメンデーション(0.65)の中で最高の平均精度を達成する。
ハイブリッドレコメンデーションは、平均してARMAQより優れているが、個々のモードよりも一貫して優れているわけではない。
Capreseは、ソースコード、ドキュメンテーション、評価アーティファクトと共に公開されている。
関連論文リスト
- AdaM-Rec: Adaptive Modality Routing for Multimodal Recommendation [41.45714747493608]
AdaM-Recはマルチモーダルレコメンデーションにおける適応的モダリティルーティングのためのフレームワークである。
プロキシリコールタスクを使用して、モダリティの信頼性を推定する。
AdaM-Recは最先端のベースラインに対して強力なパフォーマンスを提供する。
論文 参考訳(メタデータ) (2026-09-29T19:46:31Z) - GRP v0.1 Technical Report [8.478641096801033]
産業レコメンデーションシステムは、検索、ランキング、サービスコンポーネントを共同で置き換えるのは難しい多段階カスケードに依存している。
本稿では,単一のエンコーダ-デコーダモデルにおいて,検索,ランキング,報酬モデリングを組み合わせたジェネレーティブレコメンデーションフレームワークであるGRPを提案する。
オンライン実験では、このモデルを検索源として評価し、早期のバイパスと弱い情報源の置き換えを行った。
論文 参考訳(メタデータ) (2026-09-29T04:30:34Z) - Co-Evolving LLM Evaluators and Policies via DynamicRubric [67.2962847914162]
政策によって引き起こされたサンプルに対する評価者フィードバックによるポストトレーニングは、大きな言語モデルを改善するための主要なメカニズムとなる。
反応条件付き評価器であるDynamicRubricを提案する。
8Bバックボーンを用いた実験では、DynamicRubricは評価器のパフォーマンスを改善し、ベースラインよりも強力なポリシー管理を提供する。
論文 参考訳(メタデータ) (2026-07-22T12:35:40Z) - Change Impact Recommendation for JavaScript: Lessons from History and Runtime Analysis [0.0]
既存の変更影響レコメンデーションアプローチは、依存性ベースの分析とリポジトリマイニングの両方に依存している。
我々は,コチェンジパターンマイニングを用いた履歴ベースアプローチ,動的依存性ベースアプローチ,両信号を組み合わせたハイブリッドアプローチの3つの推奨手法を評価する。
本結果より, 履歴ベースと動的解析により同定された候補の重複度は低く, 検査予算の22%に過ぎなかった。
論文 参考訳(メタデータ) (2026-06-19T07:56:23Z) - RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。
関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。
逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
論文 参考訳(メタデータ) (2026-01-29T12:14:31Z) - R$^2$ec: Towards Large Recommender Models with Reasoning [59.32598867813266]
R$2$ecは、本質的な推論能力を持つ統一された大型レコメンデータモデルである。
R$2$ecは、推論チェーン生成と効率的なアイテム予測の両方を単一のモデルでサポートするデュアルヘッドアーキテクチャを導入している。
注釈付き推論データの欠如を克服するため、強化学習フレームワークであるRecPOを設計する。
論文 参考訳(メタデータ) (2025-05-22T17:55:43Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳(メタデータ) (2025-04-02T17:40:47Z) - Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳(メタデータ) (2024-10-17T01:02:04Z) - AURO: Reinforcement Learning for Adaptive User Retention Optimization in Recommender Systems [25.18963930580529]
強化学習(Reinforcement Learning, RL)は、レコメンデーションシステムにおけるユーザ保持の最適化能力に注目が集まっている。
本稿では,この課題に対処するため,textbfAdaptive textbfUser textbfRetention textbfOptimization (AURO) という新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-10-06T02:45:21Z)
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。