論文の概要: Towards Reliable C-to-Rust Translation with Rule-Guided Reasoning and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2607.19966v1
• Date: Wed, 22 Jul 2026 09:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.050171
• Title: Towards Reliable C-to-Rust Translation with Rule-Guided Reasoning and Reinforcement Learning
• Title（参考訳）: ルール誘導推論と強化学習による信頼度の高いC-to-Rust翻訳に向けて
• Abstract要約: 自動C-to-Rust翻訳のための大規模言語モデルを活用することが、有望な方向として現れている。 本稿では2つのモジュールからなる規則誘導推論とrEinforcement Learning(TRAVEL)を提案する。 最初のモジュールはMonte Carlo Tree Search (MCTS)ベースの推論パスで、Rust固有のルールでガイドされている。 2つ目のモジュールは、実行フィードバックと推論品質のシグナルを結合する強化学習を導入し、プログラムのセマンティクスを正確にキャプチャする推論パスを構築するようモデルに促している。
• 参考スコア（独自算出の注目度）: 21.45219780181232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The migration of legacy C programs to Rust has become an important direction for improving software memory safety while alleviating the high cost of manual rewriting. Leveraging large language models (LLMs) for automated C-to-Rust translation has emerged as a promising direction. However, existing LLM-based approaches remain limited. On the one hand, LLMs exhibit limited capability in identifying Rust-specific rules, and inadequate handling of Rust syntax often results in incorrect translations. On the other hand, existing LLMs often struggle to accurately capture the semantics of complex code, resulting in incorrect translations. To address these challenges, we propose a Translation fRAmework Via rule-guided reasoning and rEinforcement Learning, namely TRAVEL, consisting of two modules. The first module employs Monte Carlo Tree Search (MCTS)-based reasoning path construction guided by Rust-specific rules, steering the search toward translation steps that respect the syntactic rules that LLMs frequently violate. The second module introduces reinforcement learning that couples execution feedback with reasoning-quality signals, encouraging the model to construct reasoning paths that accurately capture program semantics, thereby ensuring that the generated Rust code preserves the intended behavior of the original C program. We evaluate TRAVEL on three datasets: xCodeEval (a public benchmark), OS-Bench (functions collected from the Linux kernel), and HW-Bench (an industrial dataset from Huawei). On xCodeEval, TRAVEL outperforms all baselines across three backbone LLMs. In particular, compared to the strongest prompting baseline IRENE, TRAVEL improves computational accuracy (CA) by 26.22% and compilation success rate (CSR) by 18.77%. On HW-Bench and OS-Bench, TRAVEL further improves CSR by 18.28% and 16.51%, respectively, while reducing unsafe rate (UR) by 13.06% and 13.08%, respectively.
• Abstract（参考訳）: レガシーCプログラムのRustへの移行は、手作業による書き直しのコストを軽減しつつ、ソフトウェアのメモリ安全性を改善する上で重要な方向となっている。 自動C-to-Rust翻訳に大規模言語モデル(LLM)を活用することが有望な方向として現れている。 しかし、既存のLLMベースのアプローチは依然として限られている。 一方、LLMはRust固有のルールを識別する能力に制限がある。 一方、既存のLLMは複雑なコードのセマンティクスを正確に捉えるのに苦労し、誤った翻訳を行う。 これらの課題に対処するため,ルール誘導推論と rEinforcement Learning,すなわちTRAVEL という2つのモジュールからなる翻訳 fRAmework Via を提案する。 最初のモジュールは、Monte Carlo Tree Search (MCTS)ベースの推論パスの構築をRust固有のルールでガイドし、LLMが頻繁に違反する構文ルールを尊重する翻訳手順を定めている。 2つ目のモジュールは、実行フィードバックと推論品質のシグナルを結合する強化学習を導入し、プログラムのセマンティクスを正確にキャプチャする推論パスを構築するようモデルに促し、生成したRustコードが元のCプログラムの意図した動作を保存することを保証する。 TRAVELをxCodeEval(公開ベンチマーク)、OS-Bench(Linuxカーネルから収集した関数)、HW-Bench(Huaweiの産業データセット)の3つのデータセットで評価した。 xCodeEval では、TRAVEL は3つのバックボーン LLM で全てのベースラインを上回ります。 特に、最強のプロンプトベースラインIRENEと比較して、TRAVELは計算精度(CA)を26.22%改善し、コンパイル成功率(CSR)を18.77%改善している。 HW-Bench と OS-Bench では、TRAVEL は CSR を 18.28% と 16.51% に改善し、安全でないレート (UR) を 13.06% と 13.08% に減らした。

関連論文リスト

• The Imitation Game: When LLMs Learn to Reason Like Programs via Code-Centric Reasoning Data Synthesis [50.473217152006875]
  MIMICは、データ合成を推論するための厳密な媒体として実行可能なコードを活用するフレームワークである。 MIMICは、ナラティブ融合、コード誘導テスト合成、動的コードインスツルメンテーションを通じて、アルゴリズムを検証可能な推論軌道に変換する。 提案手法は, 一般的な推論, 複雑な数学的ベンチマーク, きめ細かい決定論的タスクにおいて, 精度を著しく向上させる。
  論文  参考訳（メタデータ） (2026-09-13T17:04:16Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• C2RustXW: Program-Structure-Aware C-to-Rust Translation via Program Analysis and LLM [16.098065606505983]
  Toolは、プログラム解析をLLM(Large Language Models)と統合したプログラム構造対応C-to-Rust翻訳アプローチである。 CodeNetの100%構文上の正しさとGitHubの97.78%を実現し、コードサイズ(43.70%まで)と安全でない使用率(5.75%まで)を大幅に削減した。 プロジェクトのレベルでは、ツールが完全な構文的正しさと平均意味論的正しさを78.87%達成し、実用的でスケーラブルなC-to-Rustマイグレーションの有効性を実証している。
  論文  参考訳（メタデータ） (2026-03-30T17:07:11Z)
• From Verifiable Dot to Reward Chain: Harnessing Verifiable Reference-based Rewards for Reinforcement Learning of Open-ended Generation [52.62655622099456]
  検証基準ベース報酬(RLVRR)を用いた強化学習を提案する。 最後の答えをチェックする代わりに、RLVRRは高品質な参照(すなわち報酬連鎖)から順序付けられた言語信号を抽出する。 このようにして、RLVRRは報酬を2つの次元に分解する。
  論文  参考訳（メタデータ） (2026-01-26T14:39:58Z)
• Context-Guided Decompilation: A Step Towards Re-executability [50.71992919223209]
  バイナリ逆コンパイルは、ソフトウェアセキュリティ分析、リバースエンジニアリング、マルウェア理解において重要な役割を果たす。 大規模言語モデル (LLMs) の最近の進歩により、ニューラルデコンパイルが可能になったが、生成されたコードは一般的に意味論的にのみ使用可能である。 In-context Learning(ICL)を活用して,再実行可能なソースコードを生成するためのILC4Decompを提案する。
  論文  参考訳（メタデータ） (2025-11-03T17:21:39Z)
• Integrating Rules and Semantics for LLM-Based C-to-Rust Translation [34.61632926526051]
  我々は、翻訳を強化するためにRulEs aNd sEmanticsを統合したLLMベースのフレームワークであるIRENEを提案する。 IRENEは3つのモジュールから構成される。1) 静的アナライザから生成されたルールに基づいて関連する翻訳例を選択するルール拡張された検索モジュールで、Rustルールの処理を改善し、2) LLMを誘導してCコードのセマンティック理解を強化する構造化要約モジュール、3) コンパイラ診断を利用して反復的に翻訳を洗練するエラー駆動翻訳モジュール。
  論文  参考訳（メタデータ） (2025-08-09T10:41:03Z)
• EvoC2Rust: A Skeleton-guided Framework for Project-Level C-to-Rust Translation [17.560908544319094]
  EvoC2Rustは、完全なCプロジェクトを同等のRustに変換する自動化フレームワークである。 プロジェクトレベルの翻訳には骨格誘導翻訳戦略を採用している。
  論文  参考訳（メタデータ） (2025-08-06T10:31:23Z)
• Large Language Model-Powered Agent for C to Rust Code Translation [2.182572303351317]
  現代のシステムプログラミング言語であるRustは、C言語に代わるメモリセーフな代替言語として登場した。 C-to-Rust翻訳のエージェント能力の適用は、異なる課題をもたらす。 数学や常識 QA とは異なり、C-to-Rust に必要な中間ステップは十分に定義されていない。 我々は、新しい中間ステップ、仮想ファジィングに基づく等価テスト(VFT)、エージェント計画フレームワーク、LLMを利用したC-to-Rustコード翻訳のためのエージェント(LAC2R)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T01:26:23Z)
• LLMigrate: Transforming "Lazy" Large Language Models into Efficient Source Code Migrators [21.114491141763647]
  RustでCコードを書き直すことでメモリの安全性が向上するが、32万行のLinuxカーネルのような大規模なマイグレーションは依然として困難である。 最近のLarge Language Model (LLM)アプローチは、より慣用的で安全なRustプログラムを生成するが、しばしば"遅延"を示す。 LLMベースのC-to-Rust翻訳ツールはモジュールを個別の関数に分割し、個別に翻訳し、再統合する。
  論文  参考訳（メタデータ） (2025-03-31T07:09:07Z)
• RustRepoTrans: Repository-level Code Translation Benchmark Targeting Rust [50.65321080814249]
  RustRepoTransは、インクリメンタル翻訳をターゲットにした、最初のリポジトリレベルのコンテキストコード変換ベンチマークである。 複雑な翻訳シナリオの制約を評価するために, 7つの代表的なLLMを評価し, それらの誤差を分析した。
  論文  参考訳（メタデータ） (2024-11-21T10:00:52Z)
• Building Accurate Translation-Tailored LLMs with Language Aware Instruction Tuning [57.323716555996114]
  オフターゲット翻訳は、特に低リソース言語では未解決の問題である。 最近の研究は、翻訳命令の機能を強調するために高度なプロンプト戦略を設計するか、LLMの文脈内学習能力を活用している。 本研究では,LLMの命令追従能力(特に翻訳方向)を向上させるために,2段階の微調整アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-03-21T13:47:40Z)
• LLMRefine: Pinpointing and Refining Large Language Models via Fine-Grained Actionable Feedback [65.84061725174269]
  最近の大規模言語モデル(LLM)は、世代品質を改善するために人間のフィードバックを活用している。 LLMの出力を最適化する推論時間最適化手法であるLLMRefineを提案する。 機械翻訳、長文質問応答(QA)、話題要約を含む3つのテキスト生成タスクについて実験を行った。 LLMRefineは、すべてのベースラインアプローチを一貫して上回り、翻訳タスクの1.7 MetricXポイント、ASQAの8.1 ROUGE-L、トピックの要約の2.2 ROUGE-Lの改善を実現している。
  論文  参考訳（メタデータ） (2023-11-15T19:52:11Z)

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。