論文の概要: Data-driven Test Generation for Fuzzing AI Compiler

• arxiv url: http://arxiv.org/abs/2601.17450v1
• Date: Sat, 24 Jan 2026 12:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.792903
• Title: Data-driven Test Generation for Fuzzing AI Compiler
• Title（参考訳）: ファジィAIコンパイラのためのデータ駆動テスト生成
• Authors: Qingchao Shen,
• Abstract要約: AIコンパイラのステージ固有の課題に対処する統合データ駆動テストフレームワークを提案する。 OPERAはAIライブラリのテストから、モデルローディング段階でさまざまな演算子変換ロジックをテストする。 OATestは、ハイレベルな最適化をテストするために、多種多様な最適化対応の計算グラフを合成する。 HarmONYは様々な低レベルIRシードを生成して、ハードウェア最適化対応テストを生成する。
• 参考スコア（独自算出の注目度）: 0.4441866681085516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence (AI) compilers are critical for efficiently deploying AI models across diverse hardware platforms. However, they remain prone to bugs that can compromise both compiler reliability and model correctness. Thus, ensuring the quality of AI compilers is crucial. In this work, we present a unified data-driven testing framework that systematically addresses stage-specific challenges in AI compilers. Specifically, OPERA migrates tests for AI libraries to test various operator conversion logic in the model loading stage. OATest synthesizes diverse optimization-aware computational graphs for testing high-level optimizations. HARMONY generates and mutates diverse low-level IR seeds to generate hardware-optimization-aware tests for testing low-level optimizations. Together, these techniques provide a comprehensive, stage-aware framework that enhances testing coverage and effectiveness, detecting 266 previously unknown bugs in four widely used AI compilers.
• Abstract（参考訳）: 人工知能(AI)コンパイラは、さまざまなハードウェアプラットフォームにAIモデルを効率よくデプロイするために重要である。 しかし、コンパイラの信頼性とモデルの正確性の両方を損なう可能性のあるバグがまだ残っている。 したがって、AIコンパイラの品質を保証することが重要です。 本研究では、AIコンパイラにおけるステージ固有の課題に体系的に対処する統合データ駆動テストフレームワークを提案する。 具体的には、OPERAはAIライブラリのテストから、モデルローディングステージにおけるさまざまなオペレータ変換ロジックのテストに移行する。 OATestは、ハイレベルな最適化をテストするために、多種多様な最適化対応の計算グラフを合成する。 HARMONYは、様々な低レベルIRシードを生成して、低レベル最適化をテストするためのハードウェア最適化対応テストを生成する。 これらのテクニックは、テストカバレッジと有効性を高め、広く使用されている4つのAIコンパイラで、これまで未知のバグ266を検出する、包括的なステージアウェアフレームワークを提供する。

関連論文リスト

• Optimization-Aware Test Generation for Deep Learning Compilers [18.99078574014009]
  OATestは最適化対応の計算グラフを合成するための新しいアプローチである。 より多くのバグを検出し、TVMとONNXRutimesでより高いコードカバレッジを達成することができる。 OATestは58の既知のバグを明らかにし、そのうち36のバグが開発者によって確認または修正されている。
  論文  参考訳（メタデータ） (2025-11-24T09:27:59Z)
• Impact of Code Context and Prompting Strategies on Automated Unit Test Generation with Modern General-Purpose Large Language Models [0.0]
  ジェネレーティブAIは、ソフトウェアエンジニアリングにおいて注目を集めている。 単体テストはテストケースの大部分を占め、しばしばスキーマ的である。 本稿では,コードコンテキストが単体テストの品質と妥当性に与える影響について検討する。
  論文  参考訳（メタデータ） (2025-07-18T11:23:17Z)
• Compiler Optimization Testing Based on Optimization-Guided Equivalence Transformations [3.2987550056134873]
  本稿では,コンパイラ最適化にインスパイアされたメタモルフィックテスト手法を提案する。 提案手法ではまず,最適化条件を満たす入力プログラムを生成するために,最適化されたコード構築戦略を用いる。 事前変換プログラムと後変換プログラムの出力を比較することで、不正な最適化バグを効果的に識別する。
  論文  参考訳（メタデータ） (2025-04-06T01:37:57Z)
• Learning to Solve and Verify: A Self-Play Framework for Code and Test Generation [69.62857948698436]
  大規模言語モデル(LLM)の最近の進歩は、コーディングベンチマークのパフォーマンスを改善している。 しかし、手軽に利用できる高品質なデータの枯渇により、改善は停滞している。 本稿では,単一モデルのコードとテスト生成能力を共同で改善するセルフプレイ・ソルバ検証フレームワークであるSol-Verを提案する。
  論文  参考訳（メタデータ） (2025-02-20T18:32:19Z)
• An Empirical Study on Automatically Detecting AI-Generated Source Code: How Far Are We? [8.0988059417354]
  本稿では,AI生成コード検出の性能向上のための様々な手法を提案する。 我々の最良のモデルは最先端のAI生成コード検出器(GPTSniffer)より優れており、F1スコアは82.55である。
  論文  参考訳（メタデータ） (2024-11-06T22:48:18Z)
• CompilerDream: Learning a Compiler World Model for General Code Optimization [58.87557583347996]
  汎用コード最適化のためのモデルベース強化学習手法であるCompilerDreamを紹介する。 最適化パスの固有の特性を正確にシミュレートするコンパイラの世界モデルと、このモデルで訓練されたエージェントから、効率的な最適化戦略を生成する。 さまざまなデータセットを網羅し、LLVMのビルトイン最適化や、値予測とエンドツーエンドコード最適化の両方の設定における最先端メソッドを超越している。
  論文  参考訳（メタデータ） (2024-04-24T09:20:33Z)
• Learning Performance-Improving Code Edits [107.21538852090208]
  本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。 まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。 提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:21Z)
• Effective Random Test Generation for Deep Learning Compilers [16.065653480978092]
  Israはドメイン固有の制約解決ツールで、バックトラックなしでセマンティック仕様から制約を解決する。 我々は、TVM、Glow、およびSophGoという商用コンパイラを含む3つの人気のある現実世界のディープラーニングコンパイラに対して、我々のアプローチを実装し、適用する。 Israは、最先端のアプローチや、コンパイラーバグ検出のための有効なテストインプットを構築するためのベースラインアプローチよりも効果的である。
  論文  参考訳（メタデータ） (2023-02-02T03:00:36Z)
• PolyDL: Polyhedral Optimizations for Creation of High Performance DL primitives [55.79741270235602]
  本稿では,Deep Learningプリミティブの高性能実装を自動的に生成するコンパイラアルゴリズムを提案する。 我々は多面体モデルを用いた新しいデータ再利用分析アルゴリズムを開発した。 また、このようなハイブリッドコンパイラとライブラリ使用の最小限のアプローチが、最先端のパフォーマンスをもたらすことを示す。
  論文  参考訳（メタデータ） (2020-06-02T06:44:09Z)

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。