Buchumschlag

Optimization is Better than Generation: Optimizing Commit Message Leveraging Human-written Commit Message

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Jiawei, Faragó, David, Petrov, Christian, Ahmed, Iftekhar
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Consider What Humans Consider: Optimizing Commit Message Leveraging Contexts Considered By Human
von: Li, Jiawei, et al.
Veröffentlicht: (2025)

Context Conquers Parameters: Outperforming Proprietary LLM in Commit Message Generation
von: Imani, Aaron, et al.
Veröffentlicht: (2024)

RAG-Enhanced Commit Message Generation
von: Zhang, Linghao, et al.
Veröffentlicht: (2024)

CommitBench: A Benchmark for Commit Message Generation
von: Schall, Maximilian, et al.
Veröffentlicht: (2024)

CommitSuite: A Comprehensive Benchmark for Commit Classification and Message Generation
von: Wan, Zirui, et al.
Veröffentlicht: (2026)

Commit Messages in the Age of Large Language Models
von: Lopes, Cristina V., et al.
Veröffentlicht: (2024)

Automated Generation of Commit Messages in Software Repositories
von: Palakodeti, Varun Kumar, et al.
Veröffentlicht: (2025)

Evaluating Generated Commit Messages with Large Language Models
von: Zeng, Qunhong, et al.
Veröffentlicht: (2025)

Improving the Quality of Commit Messages in Students' Projects
von: Ma, Iris, et al.
Veröffentlicht: (2023)

CoMRAT: Commit Message Rationale Analysis Tool
von: Dhaouadi, Mouna, et al.
Veröffentlicht: (2025)

An Empirical Study on Commit Message Generation using LLMs via In-Context Learning
von: Wu, Yifan, et al.
Veröffentlicht: (2025)

Contextual Code Retrieval for Commit Message Generation: A Preliminary Study
von: Xiong, Bo, et al.
Veröffentlicht: (2025)

Automated Commit Message Generation with Large Language Models: An Empirical Study and Beyond
von: Xue, Pengyu, et al.
Veröffentlicht: (2024)

KADEL: Knowledge-Aware Denoising Learning for Commit Message Generation
von: Tao, Wei, et al.
Veröffentlicht: (2024)

Brevity is the Soul of Wit: Condensing Code Changes to Improve Commit Message Generation
von: Kuang, Hongyu, et al.
Veröffentlicht: (2025)

CoRaCMG: Contextual Retrieval-Augmented Framework for Commit Message Generation
von: Xiong, Bo, et al.
Veröffentlicht: (2025)

Using Large Language Models for Commit Message Generation: A Preliminary Study
von: Zhang, Linghao, et al.
Veröffentlicht: (2024)

On the Informativeness of Security Commit Messages: A Large-scale Replication Study
von: Islam, Syful, et al.
Veröffentlicht: (2026)

Rationale Dataset and Analysis for the Commit Messages of the Linux Kernel Out-of-Memory Killer
von: Dhaouadi, Mouna, et al.
Veröffentlicht: (2024)

On the Use of Commit Messages for Corrective Software Maintenance: A Systematic Mapping Study
von: Islam, Syful, et al.
Veröffentlicht: (2026)

CodeFuse-CommitEval: Towards Benchmarking LLM's Power on Commit Message and Code Change Inconsistency Detection
von: Zhang, Qingyu, et al.
Veröffentlicht: (2025)

COMET: Generating Commit Messages using Delta Graph Context Representation
von: Mandli, Abhinav Reddy, et al.
Veröffentlicht: (2024)

Towards Realistic Evaluation of Commit Message Generation by Matching Online and Offline Settings
von: Tsvetkov, Petr, et al.
Veröffentlicht: (2024)

Inside Out: Uncovering How Comment Internalization Steers LLMs for Better or Worse
von: Imani, Aaron, et al.
Veröffentlicht: (2025)

PatchSeeker: Mapping NVD Records to their Vulnerability-fixing Commits with LLM Generated Commits and Embeddings
von: Nguyen, Huu Hung, et al.
Veröffentlicht: (2025)

Lore: Repurposing Git Commit Messages as a Structured Knowledge Protocol for AI Coding Agents
von: Stetsenko, Ivan
Veröffentlicht: (2026)

An Empirical Study on Automatically Detecting AI-Generated Source Code: How Far Are We?
von: Suh, Hyunjae, et al.
Veröffentlicht: (2024)

Is Multi-Agent Debate (MAD) the Silver Bullet? An Empirical Analysis of MAD in Code Summarization and Translation
von: Chun, Jina, et al.
Veröffentlicht: (2025)

Assertion Messages with Large Language Models (LLMs) for Code
von: Aljohani, Ahmed, et al.
Veröffentlicht: (2025)

Leveraging Commit Size Context and Hyper Co-Change Graph Centralities for Defect Prediction
von: Kumar, Amit, et al.
Veröffentlicht: (2026)

Human or LLM? A Comparative Study on Accessible Code Generation Capability
von: Suh, Hyunjae, et al.
Veröffentlicht: (2025)

AgenticSZZ: Temporal Knowledge Graph-Guided Agentic Bug-Inducing Commit Identification
von: Shi, Yu, et al.
Veröffentlicht: (2026)

CrossCommitVuln-Bench: A Dataset of Multi-Commit Python Vulnerabilities Invisible to Per-Commit Static Analysis
von: Majumdar, Arunabh
Veröffentlicht: (2026)

Commit0: Library Generation from Scratch
von: Zhao, Wenting, et al.
Veröffentlicht: (2024)

Refactoring-aware Block Tracking in Commit History
von: Hasan, Mohammed Tayeeb, et al.
Veröffentlicht: (2024)

An Empirical Study of Token-based Micro Commits
von: Kondo, Masanari, et al.
Veröffentlicht: (2024)

Analysis of Commit Signing on Github
von: Shittu, Abubakar Sadiq, et al.
Veröffentlicht: (2026)

Can LLM Generate Regression Tests for Software Commits?
von: Liu, Jing, et al.
Veröffentlicht: (2025)

Detecting Multiple Semantic Concerns in Tangled Code Commits
von: Koh, Beomsu, et al.
Veröffentlicht: (2026)

How to Gain Commit Rights in Modern Top Open Source Communities?
von: Tan, Xin, et al.
Veröffentlicht: (2024)