論文の概要: The Unseen Delta: Characterizing the Compiler Optimization Landscape via Top-Down Differential Analysis

• arxiv url: http://arxiv.org/abs/2608.09530v1
• Date: Mon, 10 Aug 2026 12:32:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.261373
• Title: The Unseen Delta: Characterizing the Compiler Optimization Landscape via Top-Down Differential Analysis
• Title（参考訳）: 未知のデルタ:トップダウン差分解析によるコンパイラ最適化景観の特徴付け
• Abstract要約: 本稿では,コンパイラ最適化の違いを分析するために,トップダウンの差分解析手法を提案する。 GCCとClangで生成されたバイナリ間では、かなり、しばしば驚くべきパフォーマンスの差が見られます。 我々は、競合するコンパイラから優れたコードシーケンスを移植することで、特定パフォーマンス問題を修正するバイナリパッチフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 13.066542287825113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compiler optimizations are essential for achieving high performance in modern software. However, recent studies highlight the persistence of performance bugs, i.e., subtle defects where the compiler generates functionally correct but computationally inefficient code, leading to significant performance degradation. Existing detection and testing methods typically employ a bottom-up approach, focusing on specific low-level code properties and remaining confined to known optimization rules. Consequently, they struggle to quantify the holistic impact of identified issues and often overlook critical microarchitectural inefficiencies. We observe a key indicator of untapped potential: different compilers often produce binaries with significant performance differences for identical source code. However, the root causes of these discrepancies remain largely unexplored and difficult to pinpoint using current techniques. To bridge this gap, we introduce a top-down differential analysis methodology. This approach calibrates compiler optimization differences with fine-grained, hierarchical microarchitectural metrics, offering a comprehensive view of runtime behavior. Using a sampling-based approach, this method efficiently pinpoints the critical code snippets responsible for performance differences, enabling targeted root cause analysis. Our empirical evaluation uncovers substantial and often surprising performance differences between binaries generated by GCC and Clang. A categorization of root causes reveals systemic challenges in compiler optimizations. To quantitatively validate our findings and demonstrate practical impact, we developed a binary patching framework that fixes identified performance issues by transplanting superior code sequences from competing compilers. This work provides a novel lens for understanding and analyzing optimization defects.
• Abstract（参考訳）: コンパイラの最適化は、現代のソフトウェアで高いパフォーマンスを達成するために不可欠である。 しかし、最近の研究では、コンパイラが関数的に正しいが計算的に非効率なコードを生成する微妙な欠陥がパフォーマンス上のバグの持続性を強調している。 既存の検出とテストの方法は一般的にボトムアップのアプローチを採用しており、特定の低レベルなコードプロパティに重点を置いており、既知の最適化ルールに限られている。 その結果、特定された問題の全体的影響の定量化に苦慮し、しばしば重要なミクロ構造的非効率性を見落としている。 異なるコンパイラは、同じソースコードに対して大きなパフォーマンス差を持つバイナリを生成することが多い。 しかし、これらの不一致の根本原因は未解明であり、現在の手法で特定することは困難である。 このギャップを埋めるために、トップダウンの微分分析手法を導入する。 このアプローチは、コンパイラの最適化の違いを微粒で階層的なマイクロアーキテクチャメトリクスで分類し、実行時の振る舞いの包括的なビューを提供する。 サンプリングベースアプローチを用いることで,性能差の原因となるクリティカルコードスニペットを効果的に特定し,目的とする根本原因解析を可能にする。 実験により,GCCとClangが生成するバイナリ間の性能差が顕著で,しばしば驚くべきことが判明した。 根本原因の分類は、コンパイラ最適化における体系的な課題を明らかにする。 その結果を定量的に検証し、実用的な影響を示すために、競合するコンパイラから優れたコードシーケンスを移植することで、特定されたパフォーマンス問題を修正するバイナリパッチフレームワークを開発した。 この研究は、最適化欠陥を理解し解析するための新しいレンズを提供する。

関連論文リスト

• 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)
• AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms [54.99368693313797]
  既存のベンチマークでは、個々の言語/ツールのみをテストするため、パフォーマンス番号は直接比較できない。 このギャップに対処するAlgoVeriは、Dafny、Verus、Leanで77ドルの古典的アルゴリズムのベリコーディングを評価するベンチマークです。
  論文  参考訳（メタデータ） (2026-02-10T06:58:26Z)
• Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
  本稿では,新たな因果発見パイプラインであるALVGLを提案する。 ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。 ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-09T02:18:59Z)
• Optimization-Aware Test Generation for Deep Learning Compilers [18.99078574014009]
  OATestは最適化対応の計算グラフを合成するための新しいアプローチである。 より多くのバグを検出し、TVMとONNXRutimesでより高いコードカバレッジを達成することができる。 OATestは58の既知のバグを明らかにし、そのうち36のバグが開発者によって確認または修正されている。
  論文  参考訳（メタデータ） (2025-11-24T09:27:59Z)
• How Different Tokenization Algorithms Impact LLMs and Transformer Models for Binary Code Analysis [0.0]
  その重要性にもかかわらず、アセンブリコードのコンテキストにおけるトークン化は未探索領域のままである。 我々は、アセンブリコードのユニークな特徴に合わせて、プリプロセスのカスタマイズオプションとプリトークン化ルールについて検討する。 我々は,トークン化効率,語彙圧縮,組立符号の表現忠実度に基づくトークン化器の比較を行った。
  論文  参考訳（メタデータ） (2025-11-05T19:45:26Z)
• QiMeng-NeuComBack: Self-Evolving Translation from IR to Assembly Code [52.66657751895655]
  大規模言語モデル(LLM)は、ニューラルコンパイルという魅力的な新しいパラダイムを提供する。 本稿では,IR-to-assemblyコンパイル用に設計された新しいベンチマークデータセットであるNeuComBackを紹介する。 LLMの内部的なプロンプト戦略を進化させる自己進化的プロンプト最適化法を提案する。
  論文  参考訳（メタデータ） (2025-11-03T03:20:26Z)
• Leveraging Neural Graph Compilers in Machine Learning Research for Edge-Cloud Systems [5.241450170761232]
  この研究は、異種ハードウェアプラットフォーム間でのニューラルネットワークグラフコンパイラの包括的な評価を示す。 系統解析により,グラフコンパイラは,ニューラルネットワークとバッチサイズの両方に依存する性能パターンを示すことがわかった。 バッチサイズが大きくなるにつれて、パフォーマンスの摩擦を軽減するコンパイラの能力を定量化する新しいメトリクスを導入します。
  論文  参考訳（メタデータ） (2025-04-28T19:02:16Z)
• Compiler Optimization Testing Based on Optimization-Guided Equivalence Transformations [3.2987550056134873]
  本稿では,コンパイラ最適化にインスパイアされたメタモルフィックテスト手法を提案する。 提案手法ではまず,最適化条件を満たす入力プログラムを生成するために,最適化されたコード構築戦略を用いる。 事前変換プログラムと後変換プログラムの出力を比較することで、不正な最適化バグを効果的に識別する。
  論文  参考訳（メタデータ） (2025-04-06T01:37:57Z)
• Beyond the Edge of Function: Unraveling the Patterns of Type Recovery in Binary Code [55.493408628371235]
  本稿では,バイナリコードの変数型を復元するフレームワークByteTRを提案する。 ByteTRは、関数間の変数伝搬の普遍性を考慮して、変数伝搬をトレースするためのプロシーダ間解析を行い、ゲートグラフニューラルネットワークを用いて、変数型回復のための長距離データフロー依存性をキャプチャする。
  論文  参考訳（メタデータ） (2025-03-10T12:27:05Z)
• A Theoretical Perspective for Speculative Decoding Algorithm [60.79447486066416]
  EmphSpeculative Decodingは、小さなモデルを使用して、ドラフトトークンのシーケンスと、検証のための大きなモデルをサンプリングする。 本稿では,マルコフ連鎖抽象化による復号化問題を概念化し,理論的な観点から,鍵特性,エファンアウトプットの品質,推論加速度について考察する。
  論文  参考訳（メタデータ） (2024-10-30T01:53:04Z)
• Comparative Code Structure Analysis using Deep Learning for Performance Prediction [18.226950022938954]
  本稿では,アプリケーションの静的情報(抽象構文木やASTなど)を用いてコード構造の変化に基づいて性能変化を予測することの実現可能性を評価することを目的とする。 組込み学習手法の評価により,木系長短メモリ(LSTM)モデルでは,ソースコードの階層構造を利用して遅延表現を発見し,最大84%(個人的問題)と73%(複数の問題を含む組み合わせデータセット)の精度で性能変化を予測できることが示された。
  論文  参考訳（メタデータ） (2021-02-12T16:59:12Z)

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。