論文の概要: Translator vs. Challenger: Adversarial Agentic Learning for C-to-Rust Translation

• arxiv url: http://arxiv.org/abs/2609.15381v1
• Date: Mon, 14 Sep 2026 11:07:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.293021
• Title: Translator vs. Challenger: Adversarial Agentic Learning for C-to-Rust Translation
• Title（参考訳）: Translator vs. Challenger: C-to-Rust翻訳のための逆エージェント学習
• Abstract要約: C-to-Rustの翻訳は、2つの言語間の意味的ギャップがかなり大きいため、依然として困難である。 近年のLLMトランスレータは, 過去の故障や修復から再利用可能な知見を学習することで翻訳品質を向上させる。 我々は、堅牢なC-to-Rust翻訳のための逆エージェント学習フレームワークTRAILを提案する。
• 参考スコア（独自算出の注目度）: 12.25168418893688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: C-to-Rust translation remains challenging due to the substantial semantic gap between the two languages. Recent experience-enhanced LLM translators improve translation quality by learning reusable insights from prior failures and repairs. Yet learned insights do not automatically constitute reusable translation knowledge: derived from sparse, program-specific traces, they often contain missing conditions, narrow applicability boundaries, or overlooked corner cases. This limits their robustness and generalizability in new translation scenarios. We present TRAIL, an adversarial agentic learning framework for robust C-to-Rust translation. TRAIL employs two collaborating agents: a Translator that derives candidate insights from translation failures and accepted repairs, and a Challenger that actively searches for weaknesses, gaps, and boundary cases through adversarial challenges. To improve the robustness of individual insights and the completeness of insight collections, TRAIL performs adversarial learning at two levels. Individual-insight adversarial learning repeatedly stress-tests each insight to refine its applicability conditions and constraints, while compositional insight adversarial learning strengthens groups of related insights by exposing conflicts, gaps, and uncovered corner cases. By challenging insights and their compositions with executable counterexamples, TRAIL transforms trace-specific experience into robust, reusable, and generalizable translation knowledge. We evaluate TRAIL on two project-level benchmarks, CRUST-Bench and SmartC2Rust-Bench. Compared with the strongest LLM-based baseline, TRAIL achieves average relative improvements of 23.1% in syntax accuracy and 15.9% in semantic accuracy. Furthermore, the adversarially refined insights transfer effectively across benchmarks, demonstrating strong generalizability across diverse C-to-Rust translation tasks.
• Abstract（参考訳）: C-to-Rustの翻訳は、2つの言語間の意味的ギャップがかなり大きいため、依然として困難である。 近年のLLMトランスレータは, 過去の故障や修復から再利用可能な知見を学習することで翻訳品質を向上させる。 しかし、学習された洞察は、再利用可能な翻訳知識を自動的に構成する訳ではなく、スパース、プログラム固有のトレースから派生したもので、しばしば不足した条件、適用範囲の狭さ、見落としているコーナーケースを含んでいる。 これにより、新しい翻訳シナリオにおける堅牢性と一般化性が制限される。 我々は、堅牢なC-to-Rust翻訳のための逆エージェント学習フレームワークTRAILを提案する。 TRAILは、翻訳失敗から候補洞察を導き、修復を受理するトランスレータと、敵対的課題を通じて弱点、ギャップ、境界ケースを積極的に検索するチャレンジャーという2つの協調エージェントを採用している。 個々の洞察の堅牢性と洞察収集の完全性を改善するため、TRAILは2つのレベルで対人学習を行う。 個人間対人学習は、それぞれの洞察をストレステストし、適用条件と制約を洗練させる一方、構成的対人学習は、対立、ギャップ、未発見のコーナーケースを露呈することによって関連する洞察のグループを強化する。 TRAILは、洞察とそれらの構成を実行可能な反例で挑戦することで、トレース固有の経験を堅牢で再利用可能な、一般化可能な翻訳知識に変換する。 CRUST-BenchとSmartC2Rust-Benchの2つのプロジェクトレベルのベンチマークでTRAILを評価した。 LLMベースの最強のベースラインと比較すると、TRAILは構文精度が23.1%、セマンティック精度が15.9%の平均的な相対的な改善を実現している。 さらに、逆修正された洞察は、ベンチマーク間で効果的に伝達され、多様なC-to-Rust翻訳タスクにまたがる強力な一般化性を示す。

関連論文リスト

• UNICS: Multilingual Code Search via Unified Pseudocode and Contrastive Transfer Learning [20.215764918447643]
  2段階のトレーニング戦略に基づいて構築された多言語コード検索のためのフレームワークであるUNICSを紹介する。 最初の段階では、UNICSは、擬似コードを統一表現として使用する、構築した新しいデータセットに基づいて事前訓練される。 第2段階では、この一般的な知識を特定の言語に適応させるマルチタスク変換学習戦略を採用している。
  論文  参考訳（メタデータ） (2026-06-26T06:03:33Z)
• LANPO: Bootstrapping Language and Numerical Feedback for Reinforcement Learning in LLMs [73.27182315028021]
  LANPOは、フィードバックの役割をきれいに分離するフレームワークである。 我々の研究は、歴史体験をLLM RLループに統合する堅牢な方法を提供し、より効果的でデータ効率のよい学習エージェントを作成します。
  論文  参考訳（メタデータ） (2025-10-18T15:51:19Z)
• On the Entity-Level Alignment in Crosslingual Consistency [62.33186691736433]
  SubSubとSubInjは、主題の英語翻訳を言語間のプロンプトに統合し、実際のリコール精度と一貫性を大きく向上させた。 これらの介入はモデルの内部ピボット言語処理を通じて概念空間における実体表現のアライメントを強化する。
  論文  参考訳（メタデータ） (2025-10-11T16:26:50Z)
• TACTIC: Translation Agents with Cognitive-Theoretic Interactive Collaboration [19.58067098896903]
  本稿では,TACTICと呼ばれる認知情報に基づくマルチエージェントフレームワークを提案する。 ヒトの翻訳行動で観察される主要な認知過程を反映する6つの機能的に異なるエージェントから構成される。 我々の手法は一貫して最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-06-10T03:22:30Z)
• LLM-based Translation Inference with Iterative Bilingual Understanding [52.46978502902928]
  大規模言語モデル(LLM)の言語間機能に基づいた,新しい反復的バイリンガル理解翻訳法を提案する。 LLMの言語横断的能力により、ソース言語とターゲット言語を別々にコンテキスト理解することが可能になる。 提案したIBUTは、いくつかの強力な比較法より優れている。
  論文  参考訳（メタデータ） (2024-10-16T13:21:46Z)
• Aligning Translation-Specific Understanding to General Understanding in Large Language Models [32.0119328710383]
  大規模言語モデル(LLM)は、複雑なテキストを理解する際、顕著な能力を示した。 本研究は,LLMにおける翻訳固有の理解と一般理解の相違を明らかにする。 本稿では, 難解な翻訳過程である DUAT (Difficult words Understanding Aligned Translation) を提案する。
  論文  参考訳（メタデータ） (2024-01-10T11:03:53Z)
• Lost In Translation: Generating Adversarial Examples Robust to Round-Trip Translation [66.33340583035374]
  本研究は, ラウンドトリップ翻訳における現在のテキスト対逆攻撃の堅牢性に関する包括的研究である。 筆者らは,現在最先端のテキストベースの6つの敵攻撃が,ラウンドトリップ翻訳後の有効性を維持していないことを実証した。 本稿では,機械翻訳を逆例生成のプロセスに組み込むことにより,この問題に対する介入に基づく解決策を提案する。
  論文  参考訳（メタデータ） (2023-07-24T04:29:43Z)
• Contrastive Instruction-Trajectory Learning for Vision-Language Navigation [66.16980504844233]
  視覚言語ナビゲーション(VLN)タスクでは、エージェントが自然言語の指示でターゲットに到達する必要がある。 先行研究は、命令-軌道対間の類似点と相違点を識別できず、サブ命令の時間的連続性を無視する。 本稿では、類似したデータサンプル間の分散と、異なるデータサンプル間の分散を探索し、ロバストなナビゲーションのための独特な表現を学習するContrastive Instruction-Trajectory Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-08T06:32:52Z)
• Modelling Latent Translations for Cross-Lingual Transfer [47.61502999819699]
  従来のパイプラインの2つのステップ(翻訳と分類)を1つのモデルに統合する新しい手法を提案する。 我々は,多言語NLUタスクにおける新しい潜時翻訳モデルの評価を行った。 ゼロショットと数ショットの学習設定の両方で、平均2.7の精度ポイントのゲインを報告します。
  論文  参考訳（メタデータ） (2021-07-23T17:11:27Z)
• Evaluating Multilingual Text Encoders for Unsupervised Cross-Lingual Retrieval [51.60862829942932]
  本稿では,言語間文書・文検索タスクにおける最先端多言語エンコーダの適合性に着目した体系的実証研究を行う。 文レベルのCLIRでは、最先端のパフォーマンスが達成できることを実証する。 しかし、ピーク性能は、汎用の多言語テキストエンコーダをオフ・ザ・シェルフで使うのではなく、文の理解タスクにさらに特化したバリエーションに依存している。
  論文  参考訳（メタデータ） (2021-01-21T00:15:38Z)

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。