論文の概要: LLM Agent-Assisted Reverse Engineering with Quantitative Readability Metrics

• arxiv url: http://arxiv.org/abs/2606.06838v1
• Date: Fri, 05 Jun 2026 02:24:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.525536
• Title: LLM Agent-Assisted Reverse Engineering with Quantitative Readability Metrics
• Title（参考訳）: LLMエージェントを用いた定量的可読性指標を用いたリバースエンジニアリング
• Authors: Neil Archibald, Ruben Thijssen,
• Abstract要約: 本稿では、逆エンジニアリングワークフローの1つの段階として、逆コンパイルされたコードの可読性を改善する。 構造的類似度ゲートと3つの独立可読性サブメトリックを組み合わせた合成計量である量的可読性スコア(QRS)フレームワークを用いる。 我々は,QRS誘導による改良により,LLMエージェントは精度を犠牲にすることなく,目標の可読性を改善することができることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic decompilers produce functionally correct but often unreadable C code. This paper addresses one stage of the reverse engineering workflow: improving the readability of decompiled code using LLM agents guided by quantitative metrics. We present a three-phase research evolution. Phase 1 (tool-driven steering via Ghidra MCP) suffered from incomplete coverage and inconsistent improvements due to lack of quantitative guidance. Phase 2 (structural similarity validation alone) revealed that agents optimize for metrics in unintended ways, producing structurally equivalent but less readable code. Our contribution is the Quantitative Readability Score (QRS) framework, a composite metric combining a structural similarity gate with three independent readability sub-metrics (Lexical Surprisal, Structural Simplicity, and Idiomatic Quality). We demonstrate that QRS-guided refinement enables LLM agents to make targeted readability improvements without sacrificing correctness. We provide a discussion of the broader reverse engineering workflow (binary lifting, decompilation cleanup, and achieving functional equivalence) as context, however, it remains out of scope.
• Abstract（参考訳）: 自動逆コンパイラは機能的に正しいが、しばしば読めないCコードを生成する。 本稿では, 逆エンジニアリングワークフローの1段階として, 定量的メトリクスで導かれるLLMエージェントを用いて, 逆コンパイルコードの可読性を改善する。 我々は三相研究の進化を示す。 第1相(Ghidra MCPを経由したツール駆動ステアリング)は, 定量的ガイダンスの欠如により, 不完全カバレッジと不整合性の改善を被った。 フェーズ2(構造的類似性検証のみ)では、エージェントが意図しない方法でメトリクスを最適化し、構造的に等価だが可読性の低いコードを生成することが明らかになった。 我々の貢献は、構造的類似性ゲートと3つの独立した可読性サブメトリック(Lexical Surprisal, Structure Simplicity, Idiomatic Quality)を組み合わせた、量的可読性スコア(QRS)フレームワークである。 我々は,QRS誘導による改良により,LLMエージェントは精度を犠牲にすることなく,目標の可読性を改善することができることを示した。 より広範なリバースエンジニアリングワークフロー(バイナリリフティング、逆コンパイルのクリーンアップ、機能的等価性の実現)をコンテキストとして論じるが、その範囲外である。

関連論文リスト

• A2RBench: An Automatic Paradigm for Formally Verifiable Abstract Reasoning Benchmark Generation [59.98516959731531]
  抽象推論能力は、抽象ルールを抽出し適用するためのLLMの知性と能力を反映する。 既存のベンチマークは、高価な手作業のアノテーション、そのスケールの制限、あるいは真の推論ではなく暗記のリスク測定に頼っている。 我々はA2RBenchという名の自動パイプラインを導入し、生成、拡張、評価、分析を行う。
  論文  参考訳（メタデータ） (2026-05-17T06:14:20Z)
• R2Code: A Self-Reflective LLM Framework for Requirements-to-Code Traceability [10.671057890932088]
  本稿では、推論コストを低減しつつ、トレースリンクの精度を向上させるために設計されたセマンティックトレーサビリティフレームワークであるR2Codeを提案する。 R2Codeは3つのコンポーネントを統合している: 1) 分解強化双方向アライメントネットワーク(BAN) 、4層要求セマンティクスを対応するコード構造と整合させて相互レベルのセマンティクスマッチングをサポートする; 2) 説明誘導整合性チェックを実行してリンク信頼性を校正する自己表現整合性検証(SRCV)モジュール、3) セマンティクスオーバーラップ重み付けを用いてコンテキストを調整・フィルタリングする動的コンテキスト適応検索(DCAR)機構。
  論文  参考訳（メタデータ） (2026-04-24T10:47:56Z)
• RAVEL: Reasoning Agents for Validating and Evaluating LLM Text Synthesis [78.32151470154422]
  テスト担当者が自律的に設計し、典型的な合成操作を実行できるようにするためのエージェントフレームワークであるRAVELを紹介する。 C3EBenchは、プロの人間の文章から1,258個のサンプルを抽出したベンチマークである。 SOTA LLMを演算子としてRAVELを増強することにより、そのようなエージェントテキスト合成はLLMの推論能力に支配されていることがわかった。
  論文  参考訳（メタデータ） (2026-02-28T14:47:34Z)
• From Restructuring to Stabilization: A Large-Scale Experiment on Iterative Code Readability Refactoring with Large Language Models [5.31828955342405]
  大規模言語モデル(LLM)は、自動化されたコードタスクにますます使われています。 この記事では、コード可読性のためのLLMの能力を体系的に研究する。
  論文  参考訳（メタデータ） (2026-02-25T12:05:25Z)
• Task-Awareness Improves LLM Generations and Uncertainty [48.857040212979484]
  ベイズ最適応答は、ビームサーチのような標準的な復号法より一貫して優れている。 我々の決定論的なフレームワークは、潜在応答構造を持つあらゆる問題に適用できる。
  論文  参考訳（メタデータ） (2026-01-29T10:16:23Z)
• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)
• D-LiFT: Improving LLM-based Decompiler Backend via Code Quality-driven Fine-tuning [49.16469288280772]
  逆コンパイラは、バイナリから可読なソースコードを再構築する。 近年の進歩にもかかわらず、そのアウトプットは構文上の誤りや意味的な誤りに悩まされ、読みにくいままである。 大規模言語モデル (LLMs) の出現により、研究者は逆コンパイラ出力を洗練するためのLLMの可能性を探り始めた。 D-LIFTは、微調整強化学習を施した拡張逆コンパイラLLMパイプラインである。
  論文  参考訳（メタデータ） (2025-06-11T19:09:08Z)
• VeriMind: Agentic LLM for Automated Verilog Generation with a Novel Evaluation Metric [4.590930025882158]
  We propose VeriMind, a agentic LLM framework for Verilog code generation。 本稿では,従来のpass@k測度とARC(Average Refinement Cycles)を組み合わせた新しい評価手法を提案する。 様々なハードウェア設計タスクの実験結果によると、我々のアプローチはpass@kメトリックで最大8.3%、pass@ARCメトリックで最大8.1%向上した。
  論文  参考訳（メタデータ） (2025-03-15T23:43:06Z)
• Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
  大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。 LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。 本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T05:21:48Z)

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。