論文の概要: Testing Deep Learning Library APIs via Cross-Framework Differential Fuzzing

• arxiv url: http://arxiv.org/abs/2608.11886v1
• Date: Wed, 12 Aug 2026 10:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.552617
• Title: Testing Deep Learning Library APIs via Cross-Framework Differential Fuzzing
• Title（参考訳）: クロスフレーム差分ファズリングによるディープラーニングライブラリAPIのテスト
• Abstract要約: Xamtは、ディープラーニングライブラリAPIのための、クロスフレームの差分ファジィアプローチである。 7つのライブラリで同等の操作を実装することを意図した、実行検証済みのAPIグループを構築し、テストする。 Xamtは、4件のクラッシュケースと68件の出力不整合を含む、72件の独立に再現された不一致ケースを特定している。
• 参考スコア（独自算出の注目度）: 7.717302467822687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning libraries underpin many safety- and reliability-critical applications, yet existing API-level testing techniques often rely on intra-library properties or CPU--GPU differential oracles and may miss defects that behave consistently across hardware backends. We present Xamt, a cross-framework differential fuzzing approach for deep learning library APIs. Xamt constructs and tests execution-validated groups of APIs intended to implement equivalent operations across seven libraries. It uses explicit API aliases and parameter-role normalization to construct candidate correspondences and validates them through pairwise execution and a group-level behavioral check on canonical ordinary inputs. The resulting groups are explored using variance-guided differential fuzzing with ordinary, boundary, and non-finite inputs. Crash and inconsistency oracles flag executions exhibiting abnormal termination or inconsistent outputs for subsequent reproduction and analysis. Across the seven libraries, Xamt constructs 676 execution-validated groups containing 2,563 matched APIs. Among these, Xamt identifies 72 independently reproduced discrepancy cases, including 4 crash cases and 68 output inconsistencies. Among the 72 developer reports, 25 have been confirmed, including 23 that have been fixed.
• Abstract（参考訳）: ディープラーニングライブラリは多くの安全性と信頼性に重点を置いているが、既存のAPIレベルのテスト技術はライブラリ内プロパティやCPU-GPU差分オラクルに依存しており、ハードウェアバックエンド間で一貫して動作する欠陥を見逃してしまうことがある。 我々は、ディープラーニングライブラリAPIのためのクロスフレーム差分ファジィアプローチであるXamtを紹介する。 Xamtは7つのライブラリにまたがる同等の操作を実装することを意図した、実行検証可能なAPIのグループを構築し、テストする。 明示的なAPIエイリアスとパラメータロール正規化を使用して、候補対応を構築し、ペア実行と標準の通常の入力に対するグループレベルの動作チェックを通じて検証する。 得られた群は、正規, 境界, 非有限入力を持つ分散誘導微分ファジリングを用いて探索する。 異常終了または不一致出力を示すクラッシュおよび矛盾するオークルフラグの実行は、その後の再生および解析のために行われる。 7つのライブラリ全体で、Xamtは2,563のマッチしたAPIを含む676の実行検証グループを構築している。 これらのうち、Xamtは4件のクラッシュケースと68件の出力不整合を含む、72件の独立に再現された不一致ケースを特定している。 72件の開発者報告のうち25件が確認され、23件が修正された。

関連論文リスト

• Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
  Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。 まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。 第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
  論文  参考訳（メタデータ） (2026-08-11T18:48:40Z)
• TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories [48.638067300108276]
  臨界エラー検出は、最終失敗の原因となる軌道上の最初期のエラーステップを見つけることを目的としている。 長い軌道は、ステップを判断する証拠は遠方の指示、観察、事前の文脈に散らばっているため、個々のエラーを特定するのを困難にしている。 長距離エラー検出に対処するエラーライフサイクルトレースフレームワークであるTraj Debugを提案する。
  論文  参考訳（メタデータ） (2026-08-06T17:51:20Z)
• ATTAIN: Automated Exploit Failure Analysis through Trace-Driven Diff Analysis [9.619949003948392]
  ATTAINはトレース駆動の差分分析フレームワークで、進化を続けるライブラリバージョン間の脆弱性の存在を評価する。 ATTAINのF1スコアは93.24%で、コミットベースの手法であるV-SZZとLLM4SZをそれぞれ116.28%、LLM4SZを33.30%上回る。
  論文  参考訳（メタデータ） (2026-06-08T05:49:50Z)
• 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)
• Outrunning LLM Cutoffs: A Live Kernel Crash Resolution Benchmark for All [57.23434868678603]
  Live-kBenchは、新たに発見されたカーネルバグのエージェントをスクラップし、評価するセルフ進化ベンチマークの評価フレームワークである。 kEnvは、カーネルのコンパイル、実行、フィードバックのためのエージェントに依存しないクラッシュ解決環境である。 kEnvを用いて3つの最先端エージェントをベンチマークし、最初の試行で74%のクラッシュを解決したことを示す。
  論文  参考訳（メタデータ） (2026-02-02T19:06:15Z)
• XAMT: Cross-Framework API Matching for Testing Deep Learning Libraries [6.00258665435786]
  ディープラーニングライブラリをテストするためのクロスフレームファジィファジィ手法であるXAMTを提案する。 XAMTは、名前、記述、パラメータ構造に基づく類似性ベースのルールを使用してAPIにマッチする。 その後、インプットを調整し、分散誘導テストを適用してバグを検出する。
  論文  参考訳（メタデータ） (2025-08-18T00:48:50Z)
• Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
  LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。 ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。 我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。 我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
  論文  参考訳（メタデータ） (2025-04-07T03:57:41Z)
• Your Fix Is My Exploit: Enabling Comprehensive DL Library API Fuzzing with Large Language Models [49.214291813478695]
  AIアプリケーションで広く使用されているディープラーニング(DL)ライブラリは、オーバーフローやバッファフリーエラーなどの脆弱性を含むことが多い。 従来のファジィングはDLライブラリの複雑さとAPIの多様性に悩まされている。 DLライブラリのためのLLM駆動ファジィ手法であるDFUZZを提案する。
  論文  参考訳（メタデータ） (2025-01-08T07:07:22Z)
• Subgraph-Oriented Testing for Deep Learning Libraries [9.78188667672054]
  我々は,異なるハードウェアプラットフォーム上でディープラーニング(DL)ライブラリをテストするためのSORT(Subgraph-Oriented Realistic Testing)を提案する。 SORTは、テスト対象として、しばしばモデルグラフのサブグラフとして表現される、人気のあるAPIインタラクションパターンを採用している。 SORTは100%有効な入力生成率を実現し、既存のメソッドよりも精度の高いバグを検出し、シングルAPIテストで欠落したインタラクション関連のバグを明らかにする。
  論文  参考訳（メタデータ） (2024-12-09T12:10:48Z)
• 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)
• Detecting Multi-Parameter Constraint Inconsistencies in Python Data Science Libraries [21.662640566736098]
  コードとドキュメンテーションの不整合を検出するためにMPDetectorを提案する。 MPDetectorは、シンボリック実行を通じて実行パスを探索することで、これらの制約をコードレベルで識別する。 本研究では,LLM出力の予測不可能性を再現するファジィ制約論理を提案する。
  論文  参考訳（メタデータ） (2024-11-18T09:30:14Z)
• Enhancing Differential Testing With LLMs For Testing Deep Learning Libraries [8.779035160734523]
  本稿では,DLライブラリのためのLLM強化差分試験手法を提案する。 与えられたAPIの代替実装を見つけ、多様なテストインプットを生成するという課題に対処する。 最先端技術で見られるAPIの1.84倍の数のAPIを合成する。
  論文  参考訳（メタデータ） (2024-06-12T07:06:38Z)

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。