PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.12605v1cs.SE

코드 속성 그래프와 시간적 실행 그래프를 통한 다관점 에이전트 기반 프로그램 수정

Multi-Perspective Agentic Program Repair via Code Property Graphs and Temporal Execution Graphs

대규모 언어 모델(LLM)은 자동 프로그램 수정(APR)을 개선해 왔지만, 두 가지 한계가 남아 있다. 첫째, 원시 실행 추적(trace)은 종종 너무 크고 반복적이어서 효과적인 모델 컨텍스트로 활용하기 어렵다. 둘째, 반복적인 패치 샘플링은 서로 다른 구현을 만들어낼 수 있지만, 뚜렷한 근본 원인 가설이나 수정 전략을 제시하지 못할 수 있다. 우리는 정적·동적 증거를 쿼리 가능한 코드 속성 그래프(CPG)와 시간적 실행 그래프(TEG)로 표현하는 에이전트 기반 APR 프레임워크인 CT-Repair를 제안한다. CT-Repair는 컴팩트한 TEG를 구성하기 위해 3단계 필터링 파이프라인을 적용한다. 3개의 유한 상태 기계(FSM) 안내 에이전트가 각 버그를 정적, 동적, 하이브리드 관점에서 분석하고 독립적으로 증거에 기반한 수정 전략을 생성한다. 전략 안내 생성 절차는 이러한 전략을 후보 패치로 구체화하고 검증 피드백을 사용해 가장 유망한 전략을 정교화한다. Defects4J v3.0의 Java 버그 854건에 대해 CT-Repair를 평가했다. 혼합 모델 구성에서 CT-Repair는 489개 버그를 올바르게 수정한다. 통제된 GPT-5.4-mini 구성에서는 388개 버그를 수정하며, ReinFix와 RepairAgent보다 각각 19개, 30개 더 많다. 세 가지 증거 관점의 합집합은 가장 강력한 개별 관점보다 99개 더 많은 버그를 수정한다. 필터링 파이프라인은 런타임 증거도 압축하며, 실행 필터링은 후보 메서드 범위를 평균 94.85% 축소하고 행동 필터링은 보존된 런타임 기록을 추가로 55.97% 줄인다. 이 결과는 구조화된 런타임 증거와 다관점 추론이 더 큰 패치 생성 예산에만 의존하지 않고도 수정 효과를 개선할 수 있음을 보여준다.