概要: ソフトウェア開発に関する様々なタスクに対して，大規模言語モデル（LargeLanguageModel;LLM）を用いた支援や自動化が可能となってきた．Fine-Tuning（FT）とは事前学習済みモデルに対して，特定タスクに特化させる再学習手法である．FTの適用により，自然言語やソースコードに対する汎用的な知識を持つ事前学習済みモデルから，特定タスクに特化したモデルを獲得できる．FTの適用においては，再学習のため再学習データセットの構築が欠かせない．しかしながら，ソフトウェア開発タスクにおいてどのような再学習データセットをどの程度用意すべきかは明らかではない．本研究の長期的な目的は，LLMを用いたソフトウェア開発における高精度かつ高効率なFT適用方法の獲得である．本研究会原稿では，ソースコードの改変というタスクに着目し，簡易的な再学習データセットを用いてFT済みモデルと事前学習済みモデルの性能を実験的に比較する．

@inproceedings{數﨑大樹2025,
  author = {數﨑 大樹 and 柗本 真佑 and 楠本 真二 and 安田 和矢 and 伊藤 信治 and 代 吉楠},
  title = {LLMを用いたソースコード改変タスクにおけるFine-Tuningの実験的調査に向けて},
  booktitle = {電子情報通信学会技術研究報告},
  volume = {125},
  number = {288},
  pages = {001--006},
  year = {2025},
  month = {dec}
}