論文の概要: RAGas: Retrieval-Augmented Gas Optimization for Smart Contracts with Continuous Knowledge Integration
- arxiv url: http://arxiv.org/abs/2608.15857v1
- Date: Sun, 16 Aug 2026 17:03:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.4512
- Title: RAGas: Retrieval-Augmented Gas Optimization for Smart Contracts with Continuous Knowledge Integration
- Title（参考訳）: RAGas: 継続的知識統合によるスマートコントラクトのための検索拡張ガス最適化
- Abstract要約: ガスと呼ばれる実行手数料は、その関数の計算複雑性とともにスケールする。
進化を続けるガス使用パターンを継続的に活用するシステムは存在しない。
我々は3段階の検索拡張生成フレームワークであるRAGasでこれらの知見を運用する。
- 参考スコア（独自算出の注目度）: 5.949109261833118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ethereum is now integral to mission-critical sectors, including finance, healthcare, and supply chain management. Execution fees, commonly referred to as Gas, scale with the computational complexity of their functions. Smart contracts on Ethereum incur execution fees, known as Gas, which increase with computational complexity. Thus, optimizing Gas-intensive code while preserving functional equivalence significantly lowers deployment costs. No existing system continuously exploits evolving Gas usage patterns. We systematically analyze syntactic and semantic constructs that drive excessive Gas use. This yields six high-level categories covering twelve fine-grained antipatterns underpinning a curated knowledge base. We operationalize these insights with RAGas, a three-stage retrieval-augmented generation framework that uses a large language model to pinpoint and automatically fix Gas inefficiencies. Experiments on deployed contracts demonstrate that RAGas reduces Gas usage by up to 11% and achieves high precision and recall in detecting code snippets exhibiting Gas wastage.
- Abstract（参考訳）: Ethereumは現在、金融、ヘルスケア、サプライチェーン管理など、ミッションクリティカルな分野に不可欠な存在だ。
実行手数料(一般にガスと呼ばれる)は、その関数の計算複雑性とともにスケールする。
Gasとして知られるEthereumのスマートコントラクトの実行手数料は、計算の複雑さによって増加する。
したがって、機能的等価性を保ちながらガス集約コードの最適化は、デプロイメントコストを大幅に削減する。
進化を続けるガス使用パターンを継続的に活用するシステムは存在しない。
我々はガスの過剰使用を促進する統語的構造と意味的構造を体系的に分析する。
これにより、キュレートされた知識ベースを支える12のきめ細かいアンチパターンをカバーする6つのハイレベルカテゴリが得られる。
我々はこの知見を,大規模言語モデルを用いてガスの非効率性を特定し,自動的に修正する3段階検索拡張生成フレームワークであるRAGasで運用する。
デプロイされたコントラクトの実験では、RAGasがガス使用量を最大11%削減し、ガスの無駄を示すコードスニペットの検出において高い精度とリコールを実現している。
関連論文リスト
- GASim: A Graph-Accelerated Hybrid Framework for Social Simulation [56.12016729479412]
GASimは大規模社会シミュレーションのためのグラフ加速型ハイブリッドマルチエージェントフレームワークである。
LLMによって駆動されるコアエージェントに対して、GASimは、集中的なLLMベースの検索パイプラインを置き換えるために、Graph-Jasmined Memory (GOM)を導入した。
通常のエージェントの大部分に対して、GASimはグラフメッセージパッシング(GMP)を採用し、並列更新によるシーケンシャルなABM実行を代用している。
論文 参考訳（メタデータ） (2026-05-08T13:01:25Z) - GasLiteAA: Optimizing ERC-4337 for Efficient and Secure Gas Sponsorship [24.64185705942256]
GasLiteAAは、有給マスターロジックをTrusted Execution Environments (TEE)にオフロードするフレームワーク
GasLiteAAは、検証可能性や分散化を犠牲にすることなく、オンチェーン計算とストレージコストを大幅に削減する。
セキュリティ、効率、デプロイのバランスをとることで、GasLiteAAは、会計減量に基づく分散アプリケーションに対するガススポンサーシップに実践的なアプローチを提供する。
論文 参考訳（メタデータ） (2026-04-11T11:13:07Z) - GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
本稿では,AW性能予測のための統合フレームワークGLOWを提案する。
GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。
FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-12-11T13:30:46Z) - Curriculum-Guided Reinforcement Learning for Synthesizing Gas-Efficient Financial Derivatives Contracts [1.1565257196553245]
本稿では,共通ドメインモデル(CDM)仕様から直接スマートコントラクトを生成するための強化学習フレームワークを提案する。
我々は、事前定義されたライブラリから最適なコードスニペットを選択することを学ぶPPO(Proximal Policy Optimization)エージェントを使用している。
我々の実証実験の結果、RLエージェントは、大きなガス削減を伴う契約を学習し、見当たらない試験データに対して最大35.59%のコスト削減を実現した。
論文 参考訳（メタデータ） (2025-09-28T17:01:55Z) - GasAgent: A Multi-Agent Framework for Automated Gas Optimization in Smart Contracts [13.526096153509407]
GasAgentは、スマートコントラクトガス最適化のためのマルチエージェントシステムである。
既存のパターンとの互換性と、新しいパターンの自動発見/検証を組み合わせる。
ガスアジェントは82の契約を最適化し、平均的なガス節約率は9.97%に達した。
論文 参考訳（メタデータ） (2025-07-21T16:17:25Z) - KG-Infused RAG: Augmenting Corpus-Based RAG with External Knowledge Graphs [58.12674907593879]
KG-Infused RAGは、既存の大規模知識グラフをRAGに組み込むフレームワークである。
KG-Infused RAGは、関連する構造化知識を取得するために、外部KG上での拡散活性化を直接実行する。
実験の結果、KG-Infused RAGはバニラRAGより一貫して優れていた。
論文 参考訳（メタデータ） (2025-06-11T09:20:02Z) - Don't Get Lost in the Trees: Streamlining LLM Reasoning by Overcoming Tree Search Exploration Pitfalls [83.89771461061903]
検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。
検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。
意味論的に等価なコンテンツを持つ冗長な状態による$textitover-Exploration$と、検証器のスコアリングにおける高いばらつきに起因する$textitunder-Exploration$である。
各種木探索アルゴリズムに適合するフレキシブルなプラグアンドプレイシステムであるFETCHを提案する。
論文 参考訳（メタデータ） (2025-02-16T16:12:01Z) - Gated Slot Attention for Efficient Linear-Time Sequence Modeling [59.019501274074564]
Gated Slot Attention(GSA)は境界メモリ・コントロル(ABC)による注意を高める
GSAはGated Linear Attention (GLA)にインスパイアされたゲーティング機構を組み込んでいる
論文 参考訳（メタデータ） (2024-09-11T09:49:50Z) - How to Save My Gas Fees: Understanding and Detecting Real-world Gas Issues in Solidity Programs [7.886705842911351]
スマートコントラクトの実行は、その計算とデータストレージに対するガス料金と呼ばれる手数料を発生させる。
プログラマがスマートコントラクトを開発すると、不要により多くのガス料金を発生させるようなコードを書くことができます。
本論文は,ユーザが2つの重要なステップでガス料金を削減できるようにするためのイニシアチブである。
論文 参考訳（メタデータ） (2024-03-05T05:12:10Z) - Weakly-Supervised Physically Unconstrained Gaze Estimation [80.66438763587904]
我々は、人間のインタラクションのビデオから弱教師付き視線推定を行うという未発見の問題に対処する。
本稿では,タスクに特化して設計された新しい損失関数とともに,トレーニングアルゴリズムを提案する。
a)半教師付き視線推定の精度と(b)最先端の物理的に制約のないGaze360視線推定ベンチマーク上でのクロスドメイン一般化の精度を大幅に改善した。
論文 参考訳（メタデータ） (2021-05-20T14:58:52Z) - Profiling Gas Consumption in Solidity Smart Contracts [3.0378875015087567]
本稿では,ガス消費の観点から,スマートコントラクトのコード品質を静的に評価するためのメトリクススイートであるGasMetを提案する。
2,186のスマートコントラクトを含む実験では、提案されたメトリクスがデプロイメントコストと直接関連していることが示されている。
論文 参考訳（メタデータ） (2020-08-12T17:26:55Z)
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。