論文の概要: Instruction Alignment for Binary Code Representation Learning

• arxiv url: http://arxiv.org/abs/2608.11766v1
• Date: Wed, 12 Aug 2026 08:07:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.512824
• Title: Instruction Alignment for Binary Code Representation Learning
• Title（参考訳）: バイナリコード表現学習のための命令アライメント
• Abstract要約: 本稿では、命令アライメントの知識を活用し、バイナリコード表現学習を改善することを提案する。 予備的な研究により,関数レベルのバイナリコード類似性のために微調整されたモデルは,事前訓練されたモデルよりもはるかに優れた命令アライメントを示すことが明らかとなった。
• 参考スコア（独自算出の注目度）: 6.28246120991306
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Binary code representation learning is a fundamental problem in software security and reverse engineering. Existing methods mainly learn function-level embeddings that capture coarse-grained semantic relationships between binary functions, but they largely ignore fine-grained instruction-level correspondences. This limitation misses valuable supervision signals available from compiler debug information, which can support the learning of more accurate and interpretable binary code representations. We propose to leverage instruction alignment knowledge to further improve binary code representation learning. Our preliminary study reveals that models finetuned for function-level binary code similarity exhibit substantially better instruction alignment than their pre-trained model, suggesting a strong correlation between instruction alignment and function-level embedding quality. Motivated by this observation, we design a training approach that explicitly incorporates instruction alignment as an auxiliary training objective. Our experiments show that instruction alignment training improves retrieval accuracy and provides more discriminative signal for the model's similarity judgments.
• Abstract（参考訳）: バイナリコード表現学習は、ソフトウェアセキュリティとリバースエンジニアリングの基本的な問題である。 既存の手法は主に、バイナリ関数間の粗粒度意味関係をキャプチャする関数レベルの埋め込みを学習するが、それらは主に細粒度命令レベルの対応を無視している。 この制限は、コンパイラのデバッグ情報から得られる貴重な監視シグナルを見逃し、より正確で解釈可能なバイナリコード表現の学習を支援することができる。 本稿では、命令アライメントの知識を活用し、バイナリコード表現学習をさらに改善することを提案する。 予備研究では,関数レベルのバイナリコード類似性のために微調整されたモデルでは,事前訓練されたモデルよりも命令アライメントが大幅に向上し,命令アライメントと関数レベルの埋め込み品質の相関性が強く示唆された。 本研究の目的は,指導のアライメントを補助的な訓練対象として明示的に組み込んだトレーニングアプローチを設計することである。 実験の結果,命令アライメントのトレーニングにより精度が向上し,モデルの類似性判定のための識別的信号がより多く提供されることがわかった。

関連論文リスト

• Readability-Robust Code Summarization via Meta Curriculum Learning [53.44612630063336]
  現実の世界では、コードが貧弱な構造や難読化され、モデルのパフォーマンスが著しく低下することが多い。 本稿では,可読性の低いコードに対するコード要約の堅牢性を向上する,新しい微調整手法であるRoFTCodeSumを提案する。
  論文  参考訳（メタデータ） (2026-01-09T02:38:24Z)
• CodeBoost: Boosting Code LLMs by Squeezing Knowledge from Code Snippets with RL [28.43882967593511]
  コード大言語モデル(LLM)は、効率的で自動化されたコーディングパイプラインを構築するのに欠かせないツールになっている。 既存のモデルは、「ヒューマンインストラクション-ファイナル応答」ペアを用いて汎用LLMから強化学習(RL)を用いて後訓練されるのが一般的である。 我々は,コードスニペットからLLMを純粋に拡張するフレームワークであるCodeBoostを提案する。
  論文  参考訳（メタデータ） (2025-08-07T10:31:24Z)
• An Empirical Study on the Effectiveness of Large Language Models for Binary Code Understanding [50.17907898478795]
  本研究では,現実のリバースエンジニアリングシナリオにおけるLarge Language Models(LLM)の有効性を評価するためのベンチマークを提案する。 評価の結果、既存のLLMはバイナリコードをある程度理解でき、それによってバイナリコード解析の効率が向上することが明らかとなった。
  論文  参考訳（メタデータ） (2025-04-30T17:02:06Z)
• On the Role of Pre-trained Embeddings in Binary Code Analysis [7.161446721947512]
  事前訓練されたアセンブリコードの埋め込みは、バイナリコード解析タスクを解決するためのゴールドスタンダードになっている。 自然言語処理とは対照的に、ラベル情報はバイナリコード解析において多くのタスクにおいて不足しない。 我々は,120万関数のコーパスを用いて,5つの下流タスクに対するアセンブリコードに対する最近の埋め込みを体系的に評価した。
  論文  参考訳（メタデータ） (2025-02-12T10:50:46Z)
• LLM Critics Help Catch Bugs in Mathematics: Towards a Better Mathematical Verifier with Natural Language Feedback [71.95402654982095]
  本研究では,自然言語フィードバック型検証器Math-Minosを提案する。 実験の結果,少量の自然言語フィードバックが検証器の性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-06-20T06:42:27Z)
• CLAP: Learning Transferable Binary Code Representations with Natural Language Supervision [22.42846252594693]
  本稿では,言語指導を利用してバイナリコードのより良い表現を学習するCLAP(Contrastive Language-Assembly Pre-training)を提案する。 中心となるアプローチは、バイナリコードとセマンティックスの説明を効果的に整合させることで、優れたトランスファー学習能力を向上する。 私たちは1億9500万のバイナリコードと説明を生成し、CLAPのプロトタイプをトレーニングしました。
  論文  参考訳（メタデータ） (2024-02-26T13:49:52Z)
• Code Representation Learning At Scale [75.04686476303436]
  2段階の事前学習スキームを用いて,大量のコードデータを用いてコード表現学習を行う。 まず、マスキング言語モデリングにおけるランダム性と、プログラミング言語の構造的側面の両方を活用して、エンコーダを訓練する。 そして、教師なしの方法で強陰性かつ強正に構築された対照的な学習を通して表現を強化する。
  論文  参考訳（メタデータ） (2024-02-02T22:19:15Z)
• Soft-Labeled Contrastive Pre-training for Function-level Code Representation [127.71430696347174]
  textbfSoft-labeled contrastive pre-training framework with two positive sample construction method。 大規模コードコーパスにおけるコード間の関連性を考慮すると、ソフトラベル付きコントラスト付き事前学習は、きめ細かいソフトラベルを得ることができる。 SCodeRは、7つのデータセットで4つのコード関連タスクに対して、最先端のパフォーマンスを新たに達成する。
  論文  参考訳（メタデータ） (2022-10-18T05:17:37Z)
• Pre-Training Representations of Binary Code Using Contrastive Learning [20.467504340485856]
  ContraBinは、ソースコードとコメント情報をバイナリと統合する、対照的な学習テクニックである。 我々は、人書きと合成コメントがバイナリコード理解タスクに与える影響を分析する。
  論文  参考訳（メタデータ） (2022-10-11T02:39:06Z)
• SimCLF: A Simple Contrastive Learning Framework for Function-level Binary Embeddings [2.1222884030559315]
  関数レベルのバイナリ埋め込みのための単純なコントラスト学習フレームワークSimCLFを提案する。 我々は教師なし学習アプローチを採用し、インスタンス識別としてバイナリコード類似性検出を定式化する。 SimCLFは分解されたバイナリ関数を直接操作し、任意のエンコーダで実装できる。
  論文  参考訳（メタデータ） (2022-09-06T12:09:45Z)
• Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
  本稿では,効率よく適応的なコード駆動グラフを提案する。 自動エンコーダのコンテキストでデコードすることで更新される。 ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
  論文  参考訳（メタデータ） (2020-02-27T05:58:12Z)

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。