論文の概要: Finding Compiler-Platform Interaction Bugs in Deep Learning Pipelines via Cross-Layer Constraints

• arxiv url: http://arxiv.org/abs/2606.18421v1
• Date: Tue, 16 Jun 2026 19:15:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.862048
• Title: Finding Compiler-Platform Interaction Bugs in Deep Learning Pipelines via Cross-Layer Constraints
• Title（参考訳）: クロス層制約によるディープラーニングパイプラインにおけるコンパイラ・プラットフォーム間相互作用バグの探索
• Authors: Yuxin Qiu, Jiyuan Wang, Ronak Badhe, Ben Limpanukorn, Miryung Kim, Qian Zhang,
• Abstract要約: ディープラーニング(DL)コンパイラのテストは、コンパイルスタック全体に埋め込まれた暗黙の制約に依存するため、難しい。 既存のテストアプローチでは、入力モデルの生成を制限するために、主に型制約を取ります。 本稿では,スケーラブルで自動的なDLコンパイラテストフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.16235197336957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing deployment of artificial intelligence (AI) necessitates robust deep learning (DL) compilers, such as TVM and ONNX-MLIR. These compilers take as input high-level AI models, lower them through multi-layer transformations, and specialize them to diverse hardware. Testing such compilers is uniquely challenging as correctness depends on implicit constraints embedded throughout the compilation stack. Existing testing approaches largely take type constraints to restrict input model generation and therefore emphasize type validation and monitor compilation crashes or coverage gains. This focus overlooks compiler-platform interaction bugs that arise from interleaved effects across compilation and execution environments. In this work, we propose a scalable, automated DL compiler testing framework for, in tandem, (1) finding compiler-platform interaction bugs and (2) enabling behavior equivalence partitioning. Our key insight is that these bugs are caused by violated assumptions arising from interactions across compilation passes and hardware platforms. Therefore, we move beyond constraining input generation and derive full-stack constraints. Our approach is three-fold. First, we design an automated approach to extract full-stack constraints that jointly guide model generation and characterize compilation behaviors. Second, we prioritize constraints that expose interaction-sensitive behaviors, so our generated models are capable of exercising deep compilation logic. Third, we enable behavior equivalence partitioning by automatically inserting assertions to monitor distinct compilation symptoms that coverage or pass/fail signals miss. We evaluated our tool, XCheck, on three widely-used DL compilers and found 2,034 bug-revealing cases, including memory overflows, integer overflows, and silent unexpected compilations that were rooted in compiler-platform interactions.
• Abstract（参考訳）: 人工知能(AI)の展開の増加は、TVMやONNX-MLIRといった堅牢なディープラーニング(DL)コンパイラを必要とする。 これらのコンパイラは、入力された高レベルのAIモデルとして、多層変換を通じてそれらを低くし、さまざまなハードウェアに特化します。 このようなコンパイラのテストは、コンパイルスタック全体に埋め込まれた暗黙の制約に依存するため、独特に難しい。 既存のテストアプローチは、入力モデル生成を制限するために、主に型制約を取り、型検証を強調し、コンパイルのクラッシュやカバレッジの上昇を監視する。 これにより、コンパイル環境と実行環境のインターリーブされたエフェクトから生じる、コンパイラとプラットフォーム間のインタラクションのバグを見落としている。 本研究では,(1)コンパイラとプラットフォーム間の相互作用バグの発見,(2)振る舞い等価なパーティショニングを可能にする,スケーラブルで自動化されたDLコンパイラテストフレームワークを提案する。 私たちの重要な洞察は、これらのバグはコンパイルパスとハードウェアプラットフォーム間のインタラクションから生じる仮定違反によって引き起こされるということです。 したがって、入力生成の制約を超えてフルスタック制約を導出する。 私たちのアプローチは3倍です。 まず、モデル生成とコンパイル動作を協調的にガイドし、特徴付けるフルスタック制約を抽出する自動アプローチを設計する。 第二に、インタラクションに敏感な振る舞いを公開する制約を優先するので、生成されたモデルは、深いコンパイルロジックを実行することができる。 第三に、アサーションを自動挿入して振る舞い等価パーティショニングを可能にし、カバレッジやパス/フェイル信号が見逃す異なるコンパイル症状を監視する。 我々のツールであるXCheckは,広く使用されている3つのDLコンパイラ上で評価し,メモリオーバーフローや整数オーバーフロー,コンパイラとプラットフォーム間の相互作用に根ざした予期せぬコンパイルを含む,2,034件のバグ発見ケースを発見した。

関連論文リスト

• ParityFuzz: Finding Inconsistencies across Solidity Compilers via Fine-Grained Mutation and Differential Analysis [37.31248744457945]
  ParityFuzzは、Solidity用のクロスコンパイラ差分テストフレームワークである。 コンパイラと実行環境を分析して、構文や境界指向のルールを含む突然変異ルールを導出する。 複数のコンパイラにまたがってプログラムをコンパイルして実行し、その結果を正規化し、比較して不整合を検出する。
  論文  参考訳（メタデータ） (2026-05-09T16:53:45Z)
• 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)
• Isolating Compiler Bugs through Compilation Steps Analysis [5.783745108952491]
  CompSCANは、コンパイルステップのシーケンスを解析する新しいコンパイラバグ分離技術である。 実世界のLLVMおよびGCCバグ185件についてCompSCANを評価した。 ETEMとODFLと比較すると、CompSCANは44.51%/50.18%/36.24%/24.49%/ETEM、31.58%/49.12%/44.93%/21.78%の相対的な改善を実現している。
  論文  参考訳（メタデータ） (2025-10-15T03:58:02Z)
• SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving [90.32201622392137]
  We present SwingArena, a competitive evaluation framework for Large Language Models (LLMs)。 従来の静的ベンチマークとは異なり、SwingArenaはLLMをイテレーションとして組み合わせて、テストケースを作成し、継続的インテグレーション(CI)パイプラインを通じてパッチを検証するパッチとレビュアーを生成することで、ソフトウェアのコラボレーションプロセスをモデル化する。
  論文  参考訳（メタデータ） (2025-05-29T18:28:02Z)
• Type-Constrained Code Generation with Language Models [51.03439021895432]
  本稿では,型システムを利用してコード生成を誘導する型制約デコード手法を提案する。 そこで本研究では,新しい接頭辞オートマトンと,在来型を探索する手法を開発し,LLM生成コードに適切な型付けを強制するための健全なアプローチを構築した。 提案手法は,コード合成,翻訳,修復作業において,コンパイルエラーを半分以上削減し,機能的正しさを著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-12T15:03:00Z)
• Commit0: Library Generation from Scratch [77.38414688148006]
  Commit0は、AIエージェントにスクラッチからライブラリを書くよう促すベンチマークである。 エージェントには、ライブラリのAPIを概説する仕様文書と、インタラクティブなユニットテストスイートが提供されている。 Commit0はまた、モデルが生成したコードに対して静的解析と実行フィードバックを受け取る、インタラクティブな環境も提供する。
  論文  参考訳（メタデータ） (2024-12-02T18:11:30Z)
• Evolutionary Generative Fuzzing for Differential Testing of the Kotlin Compiler [14.259471945857431]
  JetBrainsが開発したKotlinコンパイラのバグ発見における差分テストの有効性について検討する。 そこで我々は,K1コンパイラとK2コンパイラの入力プログラムを生成するブラックボックス生成手法を提案する。 ケーススタディでは,提案手法がK1とK2のバグを効果的に検出している。
  論文  参考訳（メタデータ） (2024-01-12T16:01:12Z)
• Weak Memory Demands Model-based Compiler Testing [0.0]
  コンパイラのバグは、コンパイルされたコンカレントプログラムの動作が、アーキテクチャメモリモデルによって許容されるように、ソースモデルの下でソースプログラムによって許容される振る舞いでない場合に発生する。 プロセッサの実装は、緩やかなアーキテクチャモデルの振る舞いをますます活用している。
  論文  参考訳（メタデータ） (2024-01-12T15:50:32Z)
• Effective Random Test Generation for Deep Learning Compilers [16.065653480978092]
  Israはドメイン固有の制約解決ツールで、バックトラックなしでセマンティック仕様から制約を解決する。 我々は、TVM、Glow、およびSophGoという商用コンパイラを含む3つの人気のある現実世界のディープラーニングコンパイラに対して、我々のアプローチを実装し、適用する。 Israは、最先端のアプローチや、コンパイラーバグ検出のための有効なテストインプットを構築するためのベースラインアプローチよりも効果的である。
  論文  参考訳（メタデータ） (2023-02-02T03:00:36Z)

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。