재작성으로 향상된 코드 검색: NL-강화 PseudoCode 및 전체 NL을 직접 검색 표현으로 활용

임베딩 기반 코드 검색은 표면 구문에 과적합하는 경향이 있어 코드의 의미를 왜곡한다. 본 연구는 세 가지 재작성 전략과 두 가지 확장 방식(QC/온라인, C/오프라인)을 체계적으로 비교하고, 입력 토큰 엔트로피 변화(∆H)와 임베딩 코사인 변화(∆¯s)라는 두 가지 진단 지표를 제시한다. NL-강화 재작성이 코드 중심 질의에서 특히 큰 이득을 가져올 수 있음을 보이며, 언제 재작성 비용을 들일지 결정하는 실용 프레임워크를 제시한다.

1. 임베딩 기반 코드 검색은 코드의 의미보다 표면 구문에 의존하는 경향이 있어 유의미한 프로그램 동작의 구분이 약화된다. 2) 세 가지 재작성 수준을 비교해 재작성의 추상화 수준이 검색 표현으로 바로 사용될 때 성능이 달라진다. 3) NL-강화 재작성은 NL 쿼리와 NL 표현 간의 정렬을 촉진하고, 특히 코드 중심 질의에서 검색 성능을 크게 끌어올린다. 4) ∆H와 ∆¯s를 통해 재작성의 효과를 예측할 수 있으며, ∆H가 QC 하에서 재작성의 이득을 크게 설명한다. 5) 재작성은 코드 중심 질의에서 주로 활용되며, NL 쿼리나 강한 엔코더가 이미 존재하는 경우 이득이 감소한다.

단계 1) 세 가지 재작성 수준(Stylistic Rephrase, NL-enriched PseudoCode, Full NL)을 정의하고, 두 augmentation regime(QC, C)을 설정한다. 단계 2) independent rewriter families(Qwen3-Coder-30B, DeepSeek-Coder-V2-Lite-Instruct, Codestral-22B)을 활용해 여섯 CoIR 벤치마크에서 5개 엔코더로 실험한다. 단계 3) 입력 토큰 엔트로피(H)와 임베딩 코사인 유사도(s)를 이용해 ∆H와 ∆¯s를 계산한다. 단계 4) NDCG@10을 주된 평가지표로 사용하고, 결과를 코드-코드, 텍스트-코드, 하이브리드로 구분한다. 단계 5) 크로스-리라이팅 및 재작성 크기에 따른 효용성 분석 및 재사용 가능한 가이드(∆H 기반 의사결정 프레임워크)를 제시한다.

코드-대-코드에서 NL+QC는 모든 엔코더에 대해 최상 또는 상위 성능으로 나타나며, MoSE-18의 CT-Contest에서 +0.51의 NDCG@10 향상(0.23→0.74)을 기록했다. Apps에서 QC-Rephrase가 평균적으로 가장 높은 상승을 보였고 CosQA에서는 아무 구성도 NL 재작성으로 개선되지 않았다. CT-Contest 및 CT-DL에서 NL 재작성은 주로 코드 중심 태스크에서 이득을 주었고, 하이브리드 태스크의 경우 네 구성 간 차이가 미세했다. 표 3의 ∆H는 QC 하에서 재작성 이득의 주요 예측인자로 확인되었고, ∆¯s는 보조적 역할에 그쳤다. 재작성의 실용성은 엔코더의 강도에 반비례하는 경향이 있으며, QC-NL은 경량 인코더에서 가장 큰 효과를 보인다. 연구의 교차 재작성 분석에서 NL 재작성은 세 재작성 가족 간에 일관되게 최상 또는 경쟁 구도로 나타났고, ∆H의 상관관계도 재현되었다.

1. 아키텍처: 재작성 레이어가 코드 검색 파이프라인에 도입되어, 쿼리와 코퍼스 문서를 재작성한 뒤 frozen encoder로 임베딩한다. 2) 핵심 메커니즘: 세 가지 재작성 수준은 각각 코드-대-코드, 텍스트-대-코드, 하이브리드 태스크에서 다르게 작용하며, ∆H, ∆¯s를 통해 representational shift를 정량화한다. 3) 차별점: 기존 연구의 재작성이 코드 수준에서의 라벨링에 머물렀던 반면, NL-enriched PseudoCode와 snippet-level NL을 직접 검색 표현으로 사용한다. 4) 구현/학습: 프롬프트 계열과 재작성 템플릿은 공개될 예정이며, 다수의 rewriter 가족과 encoder를 조합해 일관된 비교를 수행했다.