論文の概要: Provenance Tracking in AI Compilers through the Lens of Coalgebra

• arxiv url: http://arxiv.org/abs/2606.10937v1
• Date: Tue, 09 Jun 2026 14:46:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.560371
• Title: Provenance Tracking in AI Compilers through the Lens of Coalgebra
• Title（参考訳）: CoalgebraのレンズによるAIコンパイラのプロヴァンストラッキング
• Authors: Zilu Tian, Liying Liu,
• Abstract要約: 本稿では,観察的意味論に基づく行動追跡への軽量で生成的なアプローチを提案する。 このアプローチをプロトタイプのAIコンパイラCOVANに実装し、最小限のエンジニアリングオーバーヘッドで、コンパイルパイプライン間で安定した実績を示す。
• 参考スコア（独自算出の注目度）: 0.017188280334580194
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: AI compilers aggressively rewrite computation graphs through normalization, lowering, and optimization, making it difficult to track the provenance of tensors and operators across compilation. Reliable provenance is essential for attaching platform-specific postprocessing, debugging compiler behavior, and validating transformations, yet existing solutions are either invasive or ad hoc under non-injective graph rewrites. We present a lightweight, generative approach to provenance tracking based on observational semantics. Instead of propagating identifiers through compiler passes, we observe graph transformations and reason about provenance in terms of observable computational actions. We formalize this approach using a coalgebraic model and bisimulation, which preserves provenance even when intermediate nodes are eliminated. Furthermore, we implement this approach in a prototype AI compiler COVAN, demonstrating stable provenance across compilation pipelines with minimal engineering overhead.
• Abstract（参考訳）: AIコンパイラは、正規化、低下、最適化を通じて計算グラフを積極的に書き換える。 プラットフォーム固有の後処理、デバッギングコンパイラの動作、バリデーション変換のアタッチには信頼性の高い証明が不可欠だが、既存のソリューションは非インジェクティブグラフリライトの下で侵入的あるいはアドホックである。 本稿では,観察的意味論に基づく行動追跡への軽量で生成的なアプローチを提案する。 コンパイラーパスを介して識別子を伝搬する代わりに、観測可能な計算行動の観点から、グラフ変換と証明に関する推論を観察する。 本手法は,中間ノードが排除された場合でも,前兆を保ちうるコージェブラックモデルとバイシミュレーションを用いて定式化する。 さらに,この手法をAIコンパイラCOVANのプロトタイプに実装し,最小限のエンジニアリングオーバーヘッドで,コンパイルパイプライン間の安定な証明を実証する。

関連論文リスト

• GraViti: Graph-Level Variational Autoencoders with Relaxed Permutation Invariance [20.535256323518215]
  グラフレベルの変分オートエンコーダであるGraVitiを導入し,グラフ全体をコンパクトな潜在ベクトルにマッピングする。 分子ベンチマークでは、GraVitiはトレーニングデータに存在する化学的な制約に従う有効なサンプルをデコードすることを学ぶ。 GraVitiは、大規模なデータセット上で最先端の再構築精度を達成し、安定した生成性能を提供する。
  論文  参考訳（メタデータ） (2026-05-15T22:08:45Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• TASTE: Task-Aware Out-of-Distribution Detection via Stein Operators [2.191505742658975]
  TASTE(Task-Aware STEin演算子)は、いわゆるStein演算子に基づくタスク対応フレームワークである。 得られた演算子は、分布の射影として明確な幾何学的解釈を認め、モデルの感度場に遷移することを示す。
  論文  参考訳（メタデータ） (2026-02-07T17:48:08Z)
• Weights to Code: Extracting Interpretable Algorithms from the Discrete Transformer [65.38883376379812]
  本稿では,連続表現と離散記号論理のギャップを埋めるアーキテクチャである離散変換器を提案する。 実証的には、Discrete TransformerはRNNベースのベースラインに匹敵するパフォーマンスを達成するだけでなく、連続的な変数ドメインへの解釈可能性を大幅に拡張する。
  論文  参考訳（メタデータ） (2026-01-09T12:49:41Z)
• Efficient Graph Condensation via Gaussian Process [8.099774846541438]
  グラフ凝縮は、性能を維持しながら大きなグラフのサイズを減らす。 既存の手法はしばしば二段階最適化に依存しており、広範囲なGNNトレーニングとスケーラビリティの制限を必要とする。 本稿では,ガウス過程を用いたグラフ凝縮法(GCGP)を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:43:07Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Real-Time Motion Prediction via Heterogeneous Polyline Transformer with Relative Pose Encoding [121.08841110022607]
  既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。 K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。 エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
  論文  参考訳（メタデータ） (2023-10-19T17:59:01Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)

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。