論文の概要: GraphScent: Calibrating Directional Relevance Signals for Bounded-Context Code Localization
- arxiv url: http://arxiv.org/abs/2611.17527v1
- Date: Thu, 12 Nov 2026 21:26:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.262232
- Title: GraphScent: Calibrating Directional Relevance Signals for Bounded-Context Code Localization
- Title(参考訳): GraphScent: 境界コンテキストコードローカライゼーションのための方向関連信号の校正
- Abstract要約: Gemma 4モデルを実世界の211のPython問題に対して86のリポジトリで研究する。
閉鎖範囲の関連点と上流の呼び出し元は、常に真の構造的隣人をハードレキシカルな気晴らしから分離していることが示される。
トレーニング不要な検索コントローラであるGraphScentを導入する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Running open-weight language models locally on a single consumer GPU requires replacing expanding multi-turn exploration histories with short, stateless code inspections. Stateless repository localization, however, hinges on a foundational question: when a frozen language model evaluates an unedited code entity from a compact view, which structural relationships make its relevance judgment informative about a nearby repair target? Studying Gemma 4 models across 211 real-world Python issues in 86 repositories, we uncover a systematic directional relevance asymmetry: zero-temperature relevance scores on enclosing scopes and upstream callers consistently separate true structural neighbors from hard lexical distractors, whereas scores on downstream callees, peer methods, historical co-change partners, and dense node embeddings remain near chance. Zero-leakage masked-scope probes and regressions controlling for lexical similarity and snippet length confirm that this asymmetry reflects functional role (callers expose symptom entrypoints delegating to defective routines, while downstream helpers appear benign alone) rather than target leakage or surface overlap. Guided by this finding, we introduce GraphScent, a training-free search controller that propagates out-of-repository, relation-conditioned log-likelihood ratios over runtime Typed-AST multigraphs before resolving ties via a single listwise comparison, alongside AST Ripple, a lightweight post-edit check for missed co-edits. Likelihood calibration prevents overconfident smaller models from chasing false-positive callers while lifting exact localization on lexically hard targets from 12.8 to 23.4 percent at 31B within a single-GPU budget.
- Abstract(参考訳): 単一のコンシューマGPU上でローカルにオープンウェイトな言語モデルを実行するには、マルチターン探索履歴を拡張して、短いステートレスコード検査に置き換える必要がある。
しかし、ステートレスリポジトリのローカライゼーションは、凍結言語モデルがコンパクトな視点から未編集のコードエンティティを評価するとき、その構造的関係が近くの修復対象についてその関連性判断を情報化しているかという基礎的な疑問に基づいている。
86のレポジトリで211の現実のPython問題を対象としたGemma 4モデルを調べたところ、系統的指向性非対称性が明らかになった: 囲むスコープと上流呼び出し者のゼロ温度関連スコア 真の構造的隣人をハードレキシカルなイントラクタから一貫して分離する一方、下流呼び出し者、ピアメソッド、歴史的なコチェンジパートナー、密度の高いノード埋め込みのスコアは、ほぼ偶然である。
ゼロレカジマスク顕微鏡プローブとレグレッションは、この非対称性が機能的役割を反映していることを確認する(呼び出し側は、欠陥ルーチンに委ねる症状のエントリーポイントを露出し、下流のヘルパーは、ターゲットの漏れや表面の重なりではなく、良性に見える)。
この発見によってガイドされたGraphScentは、リレーショナルでリレーショナルなログライクな比率をランタイム上で伝播する、トレーニング不要の検索コントローラである。
いいね!」キャリブレーションは、1GPUの予算で12.8から23.4%の精度でハードターゲットの正確なローカライゼーションを持ち上げながら、自信過剰な小型モデルが偽陽性の呼び出し者を追跡するのを防ぐ。
関連論文リスト
- Annotator-Free Object Detection via Foundation Model Collaboration [54.71602573174695]
本稿では,対象データセット上でのラベル付けの必要性を解消する,対象データセットのアノテーションを含まないオブジェクト検出フレームワークを提案する。
本稿では,画像クラスタ間のラベリングを補正し,計算コストを低減しつつ,ラベルの一貫性を向上させるランドマークベースのクラスタリング機構を提案する。
本手法は,未知環境における実環境検出システムにスケーラブルな基盤を提供する。
論文 参考訳(メタデータ) (2026-11-04T09:08:41Z) - Learning Graph Beliefs for Active Radio Mapping With Decision-Certified Multi-Step Sensing [28.620072022143514]
GraphBARCは、学習された空間モデリングと解析的ベイズ推定を統合するグラフ構造化アクティブ無線マップ構築フレームワークである。
実験により、GraphBARCは評価基準線とコア計画時間に対して平均根平均二乗誤差(RMSE)を16%以上削減し、固定精度の未実行実装と比較して56%以上削減した。
論文 参考訳(メタデータ) (2026-10-27T05:50:42Z) - ActMap: Single-Pass Uncertainty Quantification from Generation-Time Activation Maps [1.7403133838762448]
ActMapは、生成時の隠れ状態軌跡を固定された12時間s32times128$の時間統計チャネルに圧縮する表現である。
小型ビジョン変換器としてインスタンス化された軽量分類器は、各マップから推定された正当性確率をミリ秒単位で読み取る。
論文 参考訳(メタデータ) (2026-09-10T13:04:24Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳(メタデータ) (2026-03-23T14:48:54Z) - Learning More from Less: Unlocking Internal Representations for Benchmark Compression [37.69575776639016]
異種隠蔽状態を統一潜在空間に整列させて代表コアセットを構成するREPCOREを導入する。
5つのベンチマークと200以上のモデルの実験は、ランキングの相関と推定精度において、出力ベースラインよりも一貫した利得を示している。
論文 参考訳(メタデータ) (2026-01-31T13:11:39Z) - Robust Scene Coordinate Regression via Geometrically-Consistent Global Descriptors [52.57327385675752]
幾何学的構造と視覚的類似性の両方に整合したグローバルな記述子を学習するアグリゲータモジュールを提案する。
これにより、信頼できないオーバーラップスコアによる誤関連が修正される。
挑戦的なベンチマークの実験では、大規模環境ではかなりのローカライゼーションが得られた。
論文 参考訳(メタデータ) (2025-12-19T04:24:03Z) - CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。
ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
論文 参考訳(メタデータ) (2025-10-02T02:14:33Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳(メタデータ) (2020-06-08T07:24:33Z)
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。