論文の概要: RacerF: Lightweight Static Data Race Detection for C Code

• arxiv url: http://arxiv.org/abs/2502.04905v1
• Date: Fri, 07 Feb 2025 13:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:57:08.482641
• Title: RacerF: Lightweight Static Data Race Detection for C Code
• Title（参考訳）: RacerF: Cコードの軽量静的データ競合検出
• Authors: Tomáš Dacík, Tomáš Vojnar,
• Abstract要約: スレッドモジュラーデータ競合検出のための新しい静的解析法を提案する。 本手法は逐次的プログラム動作の静的解析を利用する。 我々は、Frama-CプラットフォームのプラグインとしてRaceFと呼ばれる新しいツールでこのアプローチを実装しました。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present a novel static analysis for thread-modular data race detection. Our approach exploits static analysis of sequential program behaviour whose results are generalised for multi-threaded programs using a combination of lightweight under- and over-approximating methods. We have implemented this approach in a new tool called RacerF as a plugin of the Frama-C platform. RacerF can leverage several analysis backends, most notably the Frama-C's abstract interpreter EVA. Although our methods are mostly heuristic without providing formal guarantees, our experimental evaluation shows that even for intricate programs, RacerF can provide very precise results competitive with more heavy-weight approaches while being faster than them.
• Abstract（参考訳）: スレッドモジュラーデータ競合検出のための新しい静的解析法を提案する。 提案手法は,軽量なアンダー・アンダー・アンド・オーバー・近似法を組み合わせたマルチスレッド・プログラムに対して,結果を一般化した逐次的プログラム動作の静的解析を利用する。 我々は、Frama-CプラットフォームのプラグインとしてRaceFと呼ばれる新しいツールでこのアプローチを実装しました。 RacerFは、Frama-Cの抽象インタプリタEVAなど、いくつかの分析バックエンドを利用することができる。 提案手法は主にヒューリスティックな手法であるが, 実験により, 複雑なプログラムであっても, より高速であると同時に, より重み付きアプローチと競合する極めて正確な結果が得られることがわかった。

関連論文リスト

• Fast Context-Biasing for CTC and Transducer ASR models with CTC-based Word Spotter [57.64003871384959]
  この研究は、CTCベースのWord Spotterでコンテキストバイアスを高速化するための新しいアプローチを示す。 提案手法は,CTCログ確率をコンパクトなコンテキストグラフと比較し,潜在的なコンテキストバイアス候補を検出する。 その結果、FスコアとWERの同時改善により、文脈バイアス認識の大幅な高速化が示された。
  論文  参考訳（メタデータ） (2024-06-11T09:37:52Z)
• On Minimum Trace Factor Analysis -- An Old Song Sung to a New Tune [0.0]
  本稿では,1940年のリーダーマンの研究にさかのぼる根を持つ凸最適化法であるMTFA(Minimum Trace Factor Analysis)の緩和版を紹介する。 提案手法は,結果の低階部分空間の精度と,その行列を計算するアルゴリズムの収束率に関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2024-02-04T12:15:56Z)
• Fast Rule-Based Decoding: Revisiting Syntactic Rules in Neural Constituency Parsing [9.858565876426411]
  従来の研究では、構文規則に基づく確率論的統計手法が特に選挙区解析に有効であることが示されている。 本稿では,GPUアクセラレーションを利用した高速なCKY復号法を最初に実装し,さらに構文規則に基づく(ルール制約付き)CKY復号法を導出する。
  論文  参考訳（メタデータ） (2022-12-16T13:07:09Z)
• Sharper Rates and Flexible Framework for Nonconvex SGD with Client and Data Sampling [64.31011847952006]
  我々は、平均$n$スムーズでおそらくは非カラー関数のほぼ定常点を求める問題を再考する。 我々は$smallsfcolorgreen$を一般化し、事実上あらゆるサンプリングメカニズムで確実に動作するようにします。 我々は、スムーズな非カラー状態における最適境界の最も一般的な、最も正確な解析を提供する。
  論文  参考訳（メタデータ） (2022-06-05T21:32:33Z)
• Revisiting Few-shot Relation Classification: Evaluation Data and Classification Schemes [57.34346419239118]
  教師付きRC用データセットから,より現実的な数ショットテストデータを得るための新しい手法を提案する。 これにより、FSL RCの新たな挑戦的なベンチマークが得られ、その上で、アートモデルの状態はパフォーマンスの低下を示している。 そこで我々はNOTAカテゴリを学習ベクトルとして表現する新しい分類手法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T08:16:49Z)
• SPADE: A Spectral Method for Black-Box Adversarial Robustness Evaluation [16.08608364414674]
  所定の機械学習(ML)モデルの逆ロバスト性を評価するためのブラックボックススペクトル法を提案する。 一般化されたCourant-Fischer定理を利用して、与えられたモデルの対角的ロバスト性を評価するためのSPADEスコアを提案する。 実験の結果,提案手法は,MNISTとCIFAR-10データセットを逆向きに学習したニューラルネットワークモデルに対して,有望な実験結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-02-07T04:41:26Z)
• Revisiting the Sample Complexity of Sparse Spectrum Approximation of Gaussian Processes [60.479499225746295]
  本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。 我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
  論文  参考訳（メタデータ） (2020-11-17T05:41:50Z)
• AFP-SRC: Identification of Antifreeze Proteins Using Sparse Representation Classifier [5.285065659030821]
  極寒地に住む種は、解凍タンパク質(AFP)を用いた厳しい環境と戦う スパース再構成を用いたサンプル固有分類法を用いて,AFPの予測のための計算フレームワークを提案する。 提案手法は, 平衡精度とユーデン指数の点で優れていた。
  論文  参考訳（メタデータ） (2020-09-11T08:24:50Z)
• Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data [93.76907759950608]
  本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。 本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
  論文  参考訳（メタデータ） (2020-08-14T05:46:56Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。