技術的サマリー：AgenticSZZ

問題定義

バグ誘発コミット（BIC）の特定は、ソフトウェア保守における基礎的なタスクであり、欠陥予測、自動プログラム修正、歴史的バグ分析を可能にします。20 年にわたり支配的なアプローチは、SZZ アルゴリズムとその変種であり、これらはバグ修正コミット（BFC）で削除または変更された行を git blame を用いて追跡し、最後にそれらを触れたコミットまで遡ることに依存しています。

しかし、このアプローチはリコールに関する根本的な限界を有しています。著者らによる 2,102 件の検証済みバグ修正コミットの予備調査により、git blame 単独では全ケースのほぼ半分において不十分であることが明らかになりました：

• 28% の BIC は、直接の blame 結果を超えてコミット履歴を辿る必要があります（blame コミットの祖先、または BFC の祖先として）。
• 14% のケースは「blame 不可」であり、BFC に削除/変更された行が含まれず、追加された行のみを含むため、標準的な SZZ が適用不可能です。
• BIC が blame 結果内に現れる 57% のケース内でも、いくつかのプロジェクトでは高い複雑さにより、複数の候補の中から正しい BIC を特定することが依然として困難です。

既存の SZZ への改善は、フィルタリングヒューリスティック、リファクタリング検出、または深層学習や LLM を用いた blame 候補のランキングに焦点を当ててきましたが、これらは依然として git blame によって厳密に定義された探索空間に制約されています。

手法：AgenticSZZ

著者らは、ソフトウェア進化分析に時系列知識グラフ（TKG）を適用する最初の手法であるAgenticSZZを提案します。核心的な洞察は、静的な blame 候補のリスト上でのランキング問題としてではなく、時系列コミット履歴上のグラフ探索問題として BIC 特定を再定義することです。

この手法は 2 つの明確なフェーズで動作します：

1. 時系列知識グラフ（TKG）の構築

システムは、コミットをノードとしてエンコードし、時系列順序と構造的接続（共有ファイルおよび関数）を持つグラフを構築します。探索空間は、2 つのトラバース方向を通じて直接の blame 結果を超えて拡張されます：

• Blame 祖先トラバース: blame コミットから開始し、ファイル履歴を遡行して、バグロジックを導入した可能性のある以前のコミットを探索します。
• BFC 祖先トラバース: BFC から開始し、blame コミットに向かって遡行して、正しいコードをバグのあるコードに変換した可能性のある中間コミットを特定します。
• コンテキスト拡張: 「blame 不可」のケースに対処し、シードの品質を向上させるため、システムはフォールバック戦略を適用し、追加されたコードを囲むコンテキスト行（前後 2 行）を blame 対象とします。

グラフスキーマには以下が含まれます：

• ノード: コミット（BFC、blame、blame_ancestor、または bfc_ancestor としてラベル付け）、ファイル、および関数。
• エッジ: PRECEDES（時系列順序）、MODIFIES_FILE、MODIFIES_FUNCTION、および DEFINED_IN。

2. Agentic BIC 探索

LLM エージェントは、因果関係について推論するために 4 つの専門ツールを使用して構築された TKG をナビゲートします：

1. 候補の列挙（list_candidates）: フィットネススコア（blame > blame_ancestor > bfc_ancestor を優先）によってランキングされた上位-K 件の候補を取得します。
2. 構造的トラバース（traverse_graph）: エッジに従って、同じコードエンティティを変更するコミットを発見します。
3. プロパティクエリ（query_node）: コミットメタデータ（メッセージ、タイムスタンプ、重複）を検査します。
4. 因果分析（read_node_content）: コード差分を読み、候補の変更がバグ修正と因果的に関連しているかを確認します。

エージェントは候補を反復的に調査し、意味論的推論と因果検証に基づいて初期のランキングをオーバーライドする可能性があり、決定が下されるかステップ制限が尽きるまで続行します。

主要な貢献

1. 予備調査（RQ0）: blame コミットに対する BIC の位置の体系的な特徴付け。28% のケースで履歴トラバースが必要であり、14% が blame 不可であることを定量化し、拡張された探索戦略の必要性を確立しました。
2. AgenticSZZ フレームワーク: ソフトウェア進化分析への TKG の最初の適用。BIC 特定をグラフ探索問題として再定義し、従来の blame によって定義された候補セット外の BIC の特定を可能にします。
3. 包括的な評価: 3 つのデータセット（Linux、Apache、GitHub）における厳密な評価。AgenticSZZ を 7 つの SZZ 変種および最先端の LLM4SZZ と比較しました。
4. LLM 感度分析: 異なるオープンウェイト LLM がパフォーマンスにどのように影響するかを調査し、効果的な TKG ナビゲーションのための能力閾値を特定しました。

結果

2,102 件の検証済み BFC-BIC ペアに対する評価により、AgenticSZZ が最先端のパフォーマンスを達成することが示されました：

• パフォーマンス: AgenticSZZ は、データセット全体で 0.47 から 0.79 の F1 スコアを達成します。これは、以前の最先端（LLM4SZZ）を F1 スコアで 16.0% から 34.2% 上回ります。
• 統計的有意性: 4 つのデータセット分割のうち 3 つで、改善は統計的に有意です（McNemar 検定、$p < 0.001$）。AgenticSZZ の最悪のパフォーマンスを示す実行であっても、LLM4SZZ の最良の実行を上回ります。
• アブレーション研究:
  • TKG と LLM エージェントの両方が相互に不可欠です。TKG のみではインテリジェントなフィルタリングなしにノイズを導入し、エージェントのみでは限られた blame 探索空間に制約されます。
  • TKG トラバースとコンテキスト拡張の組み合わせは、「Ancestor」カテゴリを解放し、LLM4SZZ に対してデータセット全体で 60 件の真陽性 の純増をもたらします。
  • コンテキスト拡張は、約 48 件の「Blame」真陽性と引き換えに 106 件の追加の「Ancestor」真陽性を生み出し、ほとんどのデータセットで正味の純増をもたらします。
• LLM 感度: 37B 以上のアクティブパラメータを持つモデル（DeepSeek-V3.2 および DeepSeek-V4-Pro）のみが、単純な Blame フォールバックベースラインを一貫して上回ります。より小さなモデルは、十分な多段階検証（query_node および read_node_content の呼び出しのスキップ）を実行できず、結果として信頼性の低いヒューリスティックに実質的に縮小します。
• アーキテクチャの増幅: DeepSeek-V4-Pro を使用した制御比較により、TKG アーキテクチャがより強力な LLM の恩恵を増幅することが示されました。AgenticSZZ と LLM4SZZ のパフォーマンスギャップは、V3.2 使用時の 18.8% から V4-Pro 使用時の 32.0% に拡大しますが、LLM4SZZ は blame によって制限された探索空間のためにその利益が頭打ちになります。

意義と主張

本論文は、AgenticSZZ がソフトウェア進化分析における時系列および因果推論のための新たな研究分野を開拓すると主張しています。BIC 特定をグラフ探索問題に変換することで、このアプローチは git blame ベースの手法が持つ本質的なリコールの限界を克服します。

著者らは、この改善が単により能力のある LLM の選択によるものではなく、TKG によって導かれたパラダイムによって駆動されていることを強調しています。TKG は、より強力なモデルが複雑なコミット履歴を効果的にナビゲートできる構造化された推論空間を提供します。一方、線形の blame リストに限定されたアプローチは、基盤となる LLM の能力に関わらず、パフォーマンスの天井に直面します。この研究は、BIC 特定における将来の進展は、LLM が多段階検証を実行するのに十分な能力を備えていることを前提として、構造化された探索空間とエージェント的推論を統合することにかかっていると示唆しています。