論文の概要: DRReduce: Enhancing Syntax-Guided Program Reduction with Dependency Reconstruction

• arxiv url: http://arxiv.org/abs/2605.19412v1
• Date: Tue, 19 May 2026 06:06:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.158186
• Title: DRReduce: Enhancing Syntax-Guided Program Reduction with Dependency Reconstruction
• Title（参考訳）: DRReduce: 依存再構成による構文誘導型プログラムの削減
• Authors: Qiong Feng, Xiaotian Ma, Yongqiang Tian, Wei Song, Peng Liang,
• Abstract要約: プログラムリダクションは、プログラムを最小限の再現可能なテストケースに単純化するテクニックである。 CReduceのような言語固有のツールは、C/C++の深いセマンティック知識を活用することで、強力なパフォーマンスを達成するが、単一の言語ファミリに強く結びついている。 本稿では,このギャップを埋めるフレームワークであるDRReduceを提案する。
• 参考スコア（独自算出の注目度）: 6.138794721766494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Program reduction is a technique for simplifying large, failure-inducing programs into minimal reproducible test cases. Language-specific tools such as CReduce achieve strong performance by leveraging deep semantic knowledge of C/C++, but are tightly coupled to a single language family. Language-agnostic reducers such as Perses address this by applying syntax-guided search across any grammar, yet share a fundamental limitation: deleting a node or subtree in isolation often breaks semantic coherence causing the property checker to reject the deletion and forcing the reducer to backtrack, limiting overall reduction effectiveness and efficiency. In this paper, we propose DRReduce, a framework that bridges this gap by augmenting language-agnostic syntactic reduction with a lightweight semantic layer: dependency reconstruction, which repairs program dependencies broken by a deletion in order to preserve the semantic validity of intermediate programs and increase the acceptance rate of the property checker. DRReduce constructs a semantic dependency graph from the input program, performs semantically coherent deletions with dependency reconstruction, and delegates further minimization to a syntax-guided reducer. We implement DRReduce for C and Java and evaluate it on real-world bug-triggering programs. Compared to SOTA syntax-guided reducers, DRReduce achieves average size reductions of 51.9%, 14.9%, and 19.8% over Perses, WDD, and CDD respectively, while completing reduction faster on the majority of programs. Compared to language-specific tools, DRReduce achieves results comparable to CReduce and Latra without any language-specific transformation rules, at 3.3x and 1.2x higher efficiency than CReduce and Latra on average, respectively. An ablation study confirms that dependency reconstruction reduces query invocations by 80.2%, reduction time by 58.7%, and final token count by over 55.1%.
• Abstract（参考訳）: プログラムリダクションは、プログラムを最小限の再現可能なテストケースに単純化するテクニックである。 CReduceのような言語固有のツールは、C/C++の深いセマンティック知識を活用することで、強力なパフォーマンスを達成するが、単一の言語ファミリーと強く結びついている。 ノードやサブツリーを分離して削除することは、プロパティチェッカーが削除を拒否する原因となるセマンティックな一貫性を損なうことがあり、リデューサをバックトラックに強制し、全体的な削減効率と効率を制限します。 本稿では,このギャップを補うフレームワークであるDRReduceを提案する。このフレームワークは,言語に依存しない構文的削減を軽量なセマンティック層に拡張することで,中間プログラムのセマンティックな妥当性を保ち,プロパティチェッカーの受け入れ率を高めるために,削除によって壊れたプログラム依存性を修復する依存性再構築である。 DRReduceは、入力プログラムからセマンティックな依存性グラフを構築し、依存関係の再構築を伴うセマンティックなコヒーレントな削除を実行し、構文誘導リデューサにさらなる最小化を委譲する。 DRReduceをCとJava向けに実装し、実際のバグトリガプログラムで評価する。 SOTAの構文誘導型還元器と比較すると、DRReduceは51.9%、14.9%、19.8%をPerses、WDD、CDDで上回っている。 言語固有のツールと比較して、DRReduceは言語固有の変換ルールなしで、CReduceとLatraに匹敵する結果を達成している。 アブレーション調査では、依存関係の再構築によってクエリの呼び出しが80.2%減少し、時間短縮が58.7%減少し、最終トークン数が55.1%以上減少することが確認されている。

関連論文リスト

• $R^2$-dLLM: Accelerating Diffusion Large Language Models via Spatio-Temporal Redundancy Reduction [28.068667649331246]
  推論とトレーニングの両方の観点から,デコード冗長性を低減するための統一的なフレームワークを提案する。 R2$-dLLMは、既存のデコード戦略と比較して、デコードステップの数を最大75%削減する。
  論文  参考訳（メタデータ） (2026-04-21T02:26:08Z)
• Gradually Compacting Large Language Models for Reasoning Like a Boiling Frog [72.4168434368873]
  大きな言語モデル(LLM)は印象的な推論能力を示しているが、その相当なサイズは、しばしばかなりの計算資源を必要とする。 圧縮過程を細かな繰り返しに分割する段階的圧縮法を提案する。 この「沸騰するカエル」効果の反復的なアプローチは、急激な性能損失を伴わずに、モデルを段階的に圧縮することができる。
  論文  参考訳（メタデータ） (2026-02-04T06:56:52Z)
• Residual Context Diffusion Language Models [90.07635240595926]
  Residual Context Diffusion (RCD) は、捨てられたトークン表現をコンテキスト残留に変換し、次のデノイングステップでそれらを注入するモジュールである。 RCDは、最小限の計算オーバーヘッドで、5-10ポイントの精度でフロンティアdLLMを一貫して改善する。
  論文  参考訳（メタデータ） (2026-01-30T13:16:32Z)
• CtrlCoT: Dual-Granularity Chain-of-Thought Compression for Controllable Reasoning [29.057579417751203]
  チェーン・オブ・シント(CoT)はLCM推論を改善するが、冗長なトレースによって高いレイテンシとメモリコストを発生させる。 セマンティック抽象化とトークンレベルのプルーニングを調和させるデュアルグラニュラリティCoT圧縮フレームワークである textbfCtrlCoT を提案する。
  論文  参考訳（メタデータ） (2026-01-28T10:38:49Z)
• TokenSqueeze: Performance-Preserving Compression for Reasoning LLMs [57.217593337454026]
  TokenSqueezeは、パフォーマンスを保ち、自己生成データにのみ依存しながら推論パスを凝縮する新しいLong2Shortメソッドである。 TokenSqueeze は MATH500 ベンチマークの精度を維持しながらトークンの使用量を削減できることを示す。
  論文  参考訳（メタデータ） (2025-11-17T10:38:56Z)
• R-Stitch: Dynamic Trajectory Stitching for Efficient Reasoning [80.104336426172]
  CoT(Chain-of- Thought)は、大規模言語モデルの問題解決能力を高める。 CoTは長い自己回帰軌道のためにかなりの推論コストを発生させる。 トレーニング不要なハイブリッドデコーディングフレームワークであるR-Stitchを紹介する。
  論文  参考訳（メタデータ） (2025-07-23T08:14:36Z)
• Execution-Aware Program Reduction for WebAssembly via Record and Replay [13.381719763547311]
  本稿では, RR-ReduceとHybrid-Reduceについて述べる。 RR-Reduceは、バグトリガ機能をターゲット関数として識別し、その機能をプログラムの他の部分から分離し、縮小されたプログラムを生成する。 RR-ReduceとHybrid-Reduceを28のWasmプログラムで評価し、3つのエンジンの様々なバグを発生させる。
  論文  参考訳（メタデータ） (2025-06-09T14:57:10Z)
• LPR: Large Language Models-Aided Program Reduction [9.772279651428406]
  本稿では,LLMを用いて複数の言語に対して言語固有のプログラム還元を行う最初の手法であるLPRを提案する。 有効性のために、LPRは、C、Rust、JavaScriptのベンチマークで24.93%、4.47%、11.71%の小さなプログラムを生成することでVulcanを上回っている。
  論文  参考訳（メタデータ） (2023-12-20T14:43:36Z)

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。