Fugu-MT 論文翻訳(概要): HiFuzz: Hierarchical Reinforcement Learning for Semantic-Aware and Adaptive CPU Fuzzing

論文の概要: HiFuzz: Hierarchical Reinforcement Learning for Semantic-Aware and Adaptive CPU Fuzzing

arxiv url: http://arxiv.org/abs/2607.06619v1
Date: Tue, 07 Jul 2026 09:27:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-09 22:50:30.156109
Title: HiFuzz: Hierarchical Reinforcement Learning for Semantic-Aware and Adaptive CPU Fuzzing
Title（参考訳）: HiFuzz:Semantic-AwareとAdaptive CPU Fuzzingのための階層的強化学習
Abstract要約: HiFuzzは階層的な強化学習フレームワークで、突然変異を構造化された2層生成プロセスに置き換える。また,HiFuzzは,最新のファズーのカバレッジやバグ検出に優れていた。
参考スコア（独自算出の注目度）: 7.876428460978697
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern processor verification struggles to reach deep architectural states due to the inefficiencies of traditional mutation-based fuzzing. We propose HiFuzz, a novel hierarchical reinforcement learning framework that replaces mutation with a structured, two-layer generation process: a Program Agent for global layout and a Basic Block Agent for precise instruction filling. To overcome reward sparsity, HiFuzz integrates an adaptive coverage reward mechanism and a semantic-aware basic block encoder providing intrinsic feedback. Extensive evaluations on three real-world RISC-V cores demonstrate that HiFuzz significantly outperforms state-of-the-art fuzzers in coverage and bug detection.
Abstract（参考訳）: 現代のプロセッサ検証は、従来の突然変異ベースのファジィングの非効率性のために、深いアーキテクチャ状態に到達するのに苦労している。変異を構造化された2層生成プロセスに置き換える新しい階層的強化学習フレームワークであるHiFuzzを提案し、グローバルレイアウトのためのプログラムエージェントと、正確な命令フィリングのためのベーシックブロックエージェントを提案する。報酬の幅を克服するため、HiFuzzは適応型カバレッジ報酬機構と、本質的なフィードバックを提供するセマンティック・アウェア・ベーシック・ブロックエンコーダを統合している。 3つの実世界のRISC-Vコアに対する大規模な評価は、HiFuzzがカバレッジとバグ検出において最先端のファズーを著しく上回っていることを示している。

関連論文リスト

SoK: ARCUS: On the Efficiency and Efficacy of Hardware Fuzzing [2.5548220569661226]
主な要因は、入力刺激の品質、突然変異戦略、フィードバックメカニズム、ターゲットプラットフォーム、参照モデル、達成されたカバレッジである。我々は、インテリジェントな入力生成、信頼性とスケーラブルなゴールデンリファレンスモデル、表現力のあるフィードバックチャネル、層間統合など、現在のハードウェアファジリングプラクティスにおけるいくつかのアンメニーズを特定します。これらの知見に基づいて、ハイブリッドファジィングフレームワーク、AI支援テスト生成、スケーラブルなリファレンスモデル、標準化された評価指標、ベンチマークなど、今後の研究方向性を概説する。
論文参考訳（メタデータ） (2026-08-25T00:45:37Z)
MuRA: Multi-Rank Adaptation for Efficient and Effective Test-Time Vision-Language Generalization [38.96061852021375]
視覚言語モデルは目覚ましいゼロショット能力を示すが、分布シフトによって性能が著しく低下する。トークンレベルの視覚的複雑さに基づいて適応モジュールを動的に選択・融合する新しいフレームワークであるMulti-Rank Adaptation (MuRA)を提案する。 MuRAは、広範囲のドメイン一般化とクロスデータセットベンチマークで最先端の精度を達成する。
論文参考訳（メタデータ） (2026-08-04T16:20:54Z)
AlphaGRPO: Unlocking Self-Reflective Multimodal Generation in UMMs via Decompositional Verifiable Reward [52.7128440950672]
我々はAlphaGRPOを提案し、追加のコールドスタートステージなしでマルチモーダル生成能力を向上する。我々のアプローチは、高度な推論タスクを実行するためのモデルの本質的な可能性を解き放つ。実世界のマルチモーダル世代を安定的に管理する上での課題に対処するために、DVReward(Decompositional Verifiable Reward)を導入する。
論文参考訳（メタデータ） (2026-05-12T17:59:47Z)
Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。複数の多様な実装設計を生成することで、線形パッチから切り離される。 NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
論文参考訳（メタデータ） (2026-03-02T12:50:40Z)
SA^2GFM: Enhancing Robust Graph Foundation Models with Structure-Aware Semantic Augmentation [20.028450229306554]
ドメイン適応表現を改善する堅牢なグラフ基礎モデル(GFM)フレームワークであるSA2GFMを提案する。ノードとグラフの分類において,SA2GFMはランダムノイズに対する有効性とロバスト性において,9つの最先端ベースラインを上回っていることを示す。
論文参考訳（メタデータ） (2025-11-26T08:26:01Z)
Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
論文参考訳（メタデータ） (2025-11-20T04:11:44Z)
EchoGen: Generating Visual Echoes in Any Scene via Feed-Forward Subject-Driven Auto-Regressive Model [56.53617289548353]
EchoGenは、主観駆動生成機能を備えたVisual Auto-Regressive(VAR)モデルを強化する先駆的なフレームワークである。対象の抽象的アイデンティティを抽出するためにセマンティックエンコーダを用いており、このエンコーダは分離されたクロスアテンションを通して注入され、全体の構成を導出する。私たちの知る限りでは、EchoGenはVARモデル上に構築された最初のフィードフォワードの主観駆動フレームワークです。
論文参考訳（メタデータ） (2025-09-30T11:45:48Z)
Hierarchical Mask-Enhanced Dual Reconstruction Network for Few-Shot Fine-Grained Image Classification [7.4334395431083715]
階層型マスク強化デュアルリコンストラクションネットワーク(HMDRN)を提案する。 HMDRNは、異なるネットワーク階層からの補完的な視覚情報を活用する二重層機能再構成と融合モジュールを組み込んでいる。 3つの挑戦的なきめ細かいデータセットの実験は、HDRNが最先端の手法を一貫して上回っていることを示している。
論文参考訳（メタデータ） (2025-06-25T09:15:59Z)
InvFussion: Bridging Supervised and Zero-shot Diffusion for Inverse Problems [76.39776789410088]
この研究は、教師付きアプローチの強いパフォーマンスとゼロショットメソッドの柔軟性を組み合わせたフレームワークを導入している。新規なアーキテクチャ設計では、分解演算子を直接デノイザにシームレスに統合する。 FFHQとImageNetデータセットの実験結果は、最先端の後方サンプリング性能を示している。
論文参考訳（メタデータ） (2025-04-02T12:40:57Z)
ReLU's Revival: On the Entropic Overload in Normalization-Free Large Language Models [3.7802450241986945]
LayerNormは、トレーニングの安定化とスムーズな最適化を保証するため、現代の大規模言語モデル(LLM)において重要なコンポーネントである。本研究は、正規化自由デコーダのみのLLMにおける望ましいアクティベーション関数について検討する。 ReLUは、LayerNormフリーモデルでGELUを著しく上回り、bf 8.2%のパープレキシティ改善をもたらした。
論文参考訳（メタデータ） (2024-10-12T20:26:01Z)
UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
論文参考訳（メタデータ） (2024-02-12T19:39:26Z)
Efficient Attention Branch Network with Combined Loss Function for Automatic Speaker Verification Spoof Detection [7.219077740523682]
自動話者検証(Automatic Speaker Verification)のタスクのために現在デプロイされているモデルは、その最善は、目に見えない攻撃に対して適切な一般化の度合いを欠いていることである。本研究では、一般化問題に対処するために、損失関数を組み合わせた効率的な注意分岐ネットワーク(EABN)アーキテクチャを提案する。
論文参考訳（メタデータ） (2021-09-05T12:10:16Z)

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。