Fugu-MT 論文翻訳(概要): SoK: AI-Augmented Binary Reversing

論文の概要: SoK: AI-Augmented Binary Reversing

arxiv url: http://arxiv.org/abs/2606.17398v1
Date: Tue, 16 Jun 2026 01:14:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-17 17:15:32.196939
Title: SoK: AI-Augmented Binary Reversing
Title（参考訳）: SoK: AI強化バイナリリバース
Authors: Yujeong Kwon, Yiyue Zhang, Shakhzod Yuldoshkhujaev, Kexin Pei, Dokyung Song, Hyungjoon Koo,
Abstract要約: バイナリ逆転は、ソフトウェア理解、脆弱性発見、マルウェア調査、ファームウェア監査の基礎となる。機械学習、大規模言語モデル(LLM)、エージェントAIシステムの最近の進歩は、AIの拡張されたバイナリリバースの採用を加速している。本稿では,AIを付加した二元反転における知識の包括的体系化について述べる。
参考スコア（独自算出の注目度）: 5.927800403943384
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Binary reversing is fundamental to software understanding, vulnerability discovery, malware investigation, and firmware auditing. However, it remains inherently challenging due to the irreversible loss of semantic information during compilation. Recent advances in machine learning, large language models (LLMs), and agentic AI systems have accelerated the adoption of AI-augmented binary reversing. Yet, the resulting body of work has become increasingly fragmented across reversing domains, artifact representations, learning approaches, and evaluation practices. This paper presents the first comprehensive systematization of knowledge on AI-augmented binary reversing. We analyze 144 research papers published since 2015, and organize them into 22 binary reversing domains according to the inference tasks. We further introduce a unified taxonomy spanning conventional and AI-augmented reversing pipelines. Our taxonomy connects traditional analysis techniques, binary-derived artifacts, representation strategies, learning paradigms, and downstream inference tasks, while clarifying the emerging roles of LLMs and agentic AI systems. By establishing a common vocabulary and structured framework, we provide a holistic view of the field's evolution over the past decade. Our study reveals common structures underlying seemingly disparate approaches, highlights persistent technical challenges and evaluation gaps, and identifies promising opportunities for future research. Collectively, these insights clarify the current state of the field and provide a foundation for the next generation of reliable and scalable AI-augmented binary reversing systems.
Abstract（参考訳）: バイナリ逆転は、ソフトウェア理解、脆弱性発見、マルウェア調査、ファームウェア監査の基礎となる。しかし、コンパイル中に意味情報が不可逆的に失われるため、本質的には困難である。機械学習、大規模言語モデル(LLM)、エージェントAIシステムの最近の進歩は、AIの拡張されたバイナリリバースの採用を加速している。しかし、結果として生じる仕事の実体は、反転するドメイン、アーティファクト表現、学習アプローチ、評価プラクティスにまたがって断片化されてきている。本稿では,AIを付加した二元反転における知識の包括的体系化について述べる。我々は2015年から発行された144の論文を分析し、推論タスクに従って22のバイナリ逆転領域に分類する。さらに、従来型およびAI強化逆行パイプラインにまたがる統一された分類法を導入する。我々の分類学は、従来の分析技術、バイナリ由来のアーティファクト、表現戦略、学習パラダイム、下流推論タスクを結びつけ、LSMやエージェントAIシステムの出現する役割を明確にする。共通の語彙と構造化された枠組みを確立することで、過去10年間の分野の進化の全体像を提供する。本研究は、一見異なるアプローチの基盤となる共通構造を明らかにし、持続的な技術的課題と評価ギャップを強調し、将来の研究に期待できる機会を特定する。これらの洞察は、この分野の現状を明らかにし、信頼性とスケーラブルなAI強化バイナリリバースシステムの次世代の基礎を提供する。

関連論文リスト

Survey on Remote Sensing Scene Classification: From Traditional Methods to Large Generative AI Models [2.970707784493277]
リモートセンシングシーンの分類は、従来の手作り特徴法から高度な人工知能システムへのパラダイム転換を経験してきた。本総説では, 従来のテクスチャ記述子から現在の最先端基礎モデルまで, 開発過程を体系的に追跡し, 完全な方法論的進化を考察する。合成データ生成と高度な特徴学習戦略を通じて永続的な課題に取り組む、生成AIイノベーションに特に重点を置いている。
論文参考訳（メタデータ） (2026-03-23T11:35:37Z)
AI to Learn 2.0: A Deliverable-Oriented Governance Framework and Maturity Rubric for Opaque AI in Learning-Intensive Domains [0.0]
ジェネレーティブAIは、現在のガバナンスフレームワークよりも早く研究、教育、プロフェッショナルな仕事に入り、AIによるアウトプットをどのように判断すべきかを特定できる。本稿では,AI支援作業のためのデリバリ指向ガバナンスフレームワークであるLearning 2.0を提案する。
論文参考訳（メタデータ） (2026-03-16T11:44:43Z)
RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback [54.39884046754265]
RetroAgentは、エージェントが複雑なインタラクティブ環境をマスターできるオンラインRLフレームワークである。実験の結果,RetroAgentはSOTA(State-of-the-art)の性能を達成できた。
論文参考訳（メタデータ） (2026-03-09T16:23:33Z)
XAI for Coding Agent Failures: Transforming Raw Execution Traces into Actionable Insights [0.0]
我々は、生エージェントの実行トレースを構造化された人間解釈可能な説明に変換する、体系的な説明可能なAI(XAI)アプローチを提案する。提案手法では,障害原因の同定を2.8倍高速に行うことができ,実際の実行トレースよりも73%高い精度で修正を提案する。
論文参考訳（メタデータ） (2026-03-06T06:18:20Z)
AI Deception: Risks, Dynamics, and Controls [153.71048309527225]
このプロジェクトは、AI偽装分野の包括的で最新の概要を提供する。我々は、動物の偽装の研究からシグナル伝達理論に基づく、AI偽装の正式な定義を同定する。我々は,AI偽装研究の展望を,偽装発生と偽装処理の2つの主要な構成要素からなる偽装サイクルとして整理する。
論文参考訳（メタデータ） (2025-11-27T16:56:04Z)
Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions [10.453339156813852]
エージェントAIは、人工知能の変革的な変化を表している。その急速な進歩は断片的な理解をもたらし、しばしば時代遅れの記号モデルと現代の神経システムを融合させた。この調査では、エージェントシステムを2つの異なる系統に分類する、新しいデュアルパラダイムフレームワークを紹介した。
論文参考訳（メタデータ） (2025-10-29T12:11:34Z)
A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
論文参考訳（メタデータ） (2025-04-12T01:27:49Z)
Causality-Aware Transformer Networks for Robotic Navigation [13.719643934968367]
Visual Navigationの現在の研究は、改善の機会を明らかにしている。 RNNとTransformerの直接的な採用はしばしば、Embodied AIと従来のシーケンシャルなデータモデリングの具体的な違いを見落としている。因果理解モジュールを特徴とするナビゲーション用因果認識変換器(CAT)ネットワークを提案する。
論文参考訳（メタデータ） (2024-09-04T12:53:26Z)

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。