論文の概要: iResolveX: Multi-Layered Indirect Call Resolution via Static Reasoning and Learning-Augmented Refinement
- arxiv url: http://arxiv.org/abs/2601.17888v1
- Date: Sun, 25 Jan 2026 15:42:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.513672
- Title: iResolveX: Multi-Layered Indirect Call Resolution via Static Reasoning and Learning-Augmented Refinement
- Title（参考訳）: iResolveX:静的推論と学習強化による複数層間接呼び出し分解能
- Authors: Monika Santra, Bokai Zhang, Mark Lim, Vishnu Asutosh Dasu, Dongrui Zeng, Gang Tan,
- Abstract要約: 間接呼び出し解決はリバースエンジニアリングと制御フローグラフのリカバリにおいて重要な課題である。
iResolveXは、保守的な静的解析と学習に基づく洗練を組み合わせたフレームワークである。
iResolveXは、保守的、リコール保存、F1最適化構成の両方をサポートし、最先端システムより優れている。
- 参考スコア（独自算出の注目度）: 9.184762707302099
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Indirect call resolution remains a key challenge in reverse engineering and control-flow graph recovery, especially for stripped or optimized binaries. Static analysis is sound but often over-approximates, producing many false positives, whereas machine-learning approaches can improve precision but may sacrifice completeness and generalization. We present iResolveX, a hybrid multi-layered framework that combines conservative static analysis with learning-based refinement. The first layer applies a conservative value-set analysis (BPA) to ensure high recall. The second layer adds a learning-based soft-signature scorer (iScoreGen) and selective inter-procedural backward analysis with memory inspection (iScoreRefine) to reduce false positives. The final output, p-IndirectCFG, annotates indirect edges with confidence scores, enabling downstream analyses to choose appropriate precision--recall trade-offs. Across SPEC CPU2006 and real-world binaries, iScoreGen reduces predicted targets by 19.2% on average while maintaining BPA-level recall (98.2%). Combined with iScoreRefine, the total reduction reaches 44.3% over BPA with 97.8% recall (a 0.4% drop). iResolveX supports both conservative, recall-preserving and F1-optimized configurations and outperforms state-of-the-art systems.
- Abstract（参考訳）: 間接呼び出しの解決は、リバースエンジニアリングと制御フローグラフのリカバリにおいて重要な課題であり、特に取り除かれたり、最適化されたバイナリに対してである。
静的解析は健全だが過近似であり、多くの偽陽性を生じさせる一方、機械学習のアプローチは精度を向上するが、完全性と一般化を犠牲にする可能性がある。
iResolveXは,保守的静的解析と学習に基づく洗練を併用した多層ハイブリッドフレームワークである。
第1のレイヤは、高いリコールを保証するために、保守的な値セット分析(BPA)を適用する。
第2のレイヤには、学習ベースのソフト署名スコアラ(iScoreGen)と、メモリインスペクション(iScoreRefine)によるプロシージャ間後方分析(iScoreRefine)が追加され、偽陽性が低減される。
最終的な出力であるp-IndirectCFGは、信頼スコアで間接エッジにアノテートすることで、ダウンストリーム分析が適切な精度のトレードオフを選択することができる。
SPEC CPU2006と現実世界のバイナリ全体で、iScoreGenはBPAレベルのリコール(98.2%)を維持しながら、予測目標を平均19.2%削減している。
iScoreRefineと組み合わせると、総減少率はBPAで44.3%に達し、97.8%のリコール(0.4%の減少)となった。
iResolveXは、保守的、リコール保存、F1最適化構成の両方をサポートし、最先端システムより優れている。
関連論文リスト
- Distilled HuBERT for Mobile Speech Emotion Recognition: A Cross-Corpus Validation Study [0.0]
音声感情認識(SER)はモバイルアプリケーションにとって大きな可能性を秘めている。
本稿では, DistilHuBERTに基づく移動効率SERシステムを提案する。
RAVDESSのクロスコーパス評価では、行動的感情の劇場的性質は、特定の感情カテゴリーではなく、覚醒レベルによって予測される。
論文 参考訳（メタデータ） (2025-12-29T12:53:39Z) - ECPv2: Fast, Efficient, and Scalable Global Optimization of Lipschitz Functions [91.31596562378076]
ECPv2は、未知のリプシッツを持つリプシッツ連続関数のグローバル最適化のためのスケーラブルで理論的に基礎付けられたアルゴリズムである。
ECPv2は最適時間境界でECPのNo-Regret保証を保ち,これらの結果により受容領域を拡大することを示す。
論文 参考訳（メタデータ） (2025-11-20T17:30:55Z) - GRATING: Low-Latency and Memory-Efficient Semantic Selection on Device [1.7847219315073477]
クロスエンコーダリランカによるトップK選択は、検索強化生成、エージェントメモリ、パーソナライズされたレコメンデーションなど、デバイス上のAIサービスを支えるものだ。
トップK選択の目的を再考し、相対ランクのみが重要であり、正確な候補毎のスコアではないことを明らかにした。
我々はモノリシックフォワードを提案し、トレーニング不要な推論システムGRatingを開発した。
論文 参考訳（メタデータ） (2025-10-17T13:06:09Z) - Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク
提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。
HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
論文 参考訳（メタデータ） (2025-10-12T05:38:10Z) - From Noisy Traces to Stable Gradients: Bias-Variance Optimized Preference Optimization for Aligning Large Reasoning Models [90.45197506653341]
大規模推論モデルは最終回答を生成する前に中間的推論トレースを生成する。
LRMと人間の好みの整合性は、モデルデプロイメントにとって重要な前提条件であり、まだ過小評価されていない。
共通の回避策は1つのサンプル軌道を最適化し、トレースサンプリングからかなり勾配のばらつきをもたらす。
論文 参考訳（メタデータ） (2025-10-06T17:58:01Z) - Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。
我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
論文 参考訳（メタデータ） (2025-10-02T15:22:28Z) - ObjexMT: Objective Extraction and Metacognitive Calibration for LLM-as-a-Judge under Multi-Turn Jailbreaks [12.396822247035578]
目的抽出とメタ認知のためのベンチマークであるexMTを提案する。
マルチターン書き起こしが与えられた場合、モデルは1文ベース目標と自己報告された自信を出力しなければならない。
正確性は金の目標と類似性によって評価され、300の校正項目で1度閾値付けされる。
論文 参考訳（メタデータ） (2025-08-23T03:32:04Z) - UniCBE: An Uniformity-driven Comparing Based Evaluation Framework with Unified Multi-Objective Optimization [19.673388630963807]
統一統一性駆動型CBEフレームワークUniCBEを提案する。
AlpacaEvalベンチマークでは、UniCBEは評価予算の17%以上を削減し、Pearsonと地上の真実との相関は0.995を超えている。
新しいモデルが継続的に導入されるシナリオでは、UniCBEは評価コストの50%以上を節約できる。
論文 参考訳（メタデータ） (2025-02-17T05:28:12Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-06-23T07:38:09Z) - Provable Stochastic Optimization for Global Contrastive Learning: Small
Batch Does Not Harm Performance [53.49803579981569]
各正の対と全ての負の対をアンカーポイントで対比する、コントラスト学習のグローバルな目的を考える。
SimCLRのような既存のメソッドは、十分な結果を得るために大きなバッチサイズを必要とする。
本稿では,SogCLRという表現のグローバルコントラスト学習を解くためのメモリ効率の最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-24T22:16:53Z) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳（メタデータ） (2020-08-07T08:22:26Z)
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。