論文の概要: Faultless: A Program Equivalence Technique for Validating and Evaluating Neural Decompilers
- arxiv url: http://arxiv.org/abs/2609.34089v1
- Date: Mon, 28 Sep 2026 01:30:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 07:05:44.066139
- Title: Faultless: A Program Equivalence Technique for Validating and Evaluating Neural Decompilers
- Title（参考訳）: Faultless: ニューラルデコンパイラの検証と評価のためのプログラム等価技術
- Abstract要約: 本稿では,ニューラルデコンパイラ上での翻訳検証を行うプログラム等価手法であるFaultlessを紹介する。
フォールトレスは、決定論的デコンパイラによって生成されたコードと、より強い正性特性を持つニューラルデコンパイラのコードを比較する。
- 参考スコア（独自算出の注目度）: 6.457649932230926
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Neural decompilers are machine learning models which perform the process of decompilation, lifting code from a lower-level language to a higher one. Neural decompilers offer substantial utility relative to traditional deterministic decompilers because they can probabilistically recover information discarded during lowering, like variable names, types, and control flow structuring. However, they can also make mistakes, producing code that is not equivalent to the original, making it difficult to trust their output. In this work, we introduce Faultless, a program equivalence technique for performing translation validation on neural decompilers. Faultless compares code produced by a deterministic decompiler, which has stronger correctness properties, with that of a neural decompiler. Faultless is also useful for model evaluation, a highly related task, in which the neural decompilers' prediction is compared with a reference solution. Neural decompilation introduces significant challenges to the task of program equivalence which existing techniques are not equipped to handle, including limited extrafunctional context and systematic semantic inconsistencies in decompiled code. Faultless takes a static symbolic execution-based approach with an execution model and memory model designed to handle these challenges.
- Abstract（参考訳）: ニューラルデコンパイラ(Neural decompiler)は、低レベル言語から高レベル言語にコードを持ち上げる、デコンパイルのプロセスを実行する機械学習モデルである。
ニューラルデコンパイラは、変数名、型、制御フローの構造化など、ローディング中に破棄された情報を確率的に回収できるため、従来の決定論的デコンパイラと比較して、実質的なユーティリティを提供する。
しかし、間違いを犯し、元のコードと同等でないコードを生成することもでき、アウトプットを信頼するのは難しい。
本稿では,ニューラルデコンパイラ上での翻訳検証を行うプログラム等価手法であるFaultlessを紹介する。
フォールトレスは、決定論的デコンパイラによって生成されたコードと、より強い正性特性を持つニューラルデコンパイラのコードを比較する。
フォールトレスはまた、神経逆コンパイラの予測を参照解と比較する、非常に関連性の高いタスクであるモデル評価にも有用である。
ニューラルデコンパイルは、既存の技術が扱えないプログラム等価性のタスクに重大な課題をもたらす。
Faultlessは、これらの課題に対処するように設計された実行モデルとメモリモデルによって、静的なシンボリックな実行ベースのアプローチを取る。
関連論文リスト
- Binary Decompilation LLM with Feedback-Driven Multi-Turn Refinement [39.339662640253785]
本稿では、フィードバック駆動型マルチターンバイナリ逆コンパイルのための強化学習で訓練された逆コンパイル特化LDMであるAutoDecompilerを提案する。
コード妥当性、再コンパイル可能性、実行一貫性、セマンティック忠実性をキャプチャする、逆コンパイル固有の報酬を設計する。
AutoDecompilerファミリをトレーニングし、異なる入力設定、モデルスケール、ベンチマークで評価します。
論文 参考訳（メタデータ） (2026-06-15T03:25:05Z) - Decaf: Improving Neural Decompilation with Automatic Feedback and Search [64.02615739798277]
高レベルな構文、識別子、カスタムデータ型は一般的に失われ、コンパイラは人間可読なコードを低レベルなマシンコードに変換する。
生成AIモデルは、ハイレベルな構文、識別子、型を再構築するのに自然なものだ。
コンパイラフィードバックは,サーチによるニューラルデコンパイラ出力のセマンティックな正当性の向上に有効である,と我々は主張する。
論文 参考訳（メタデータ） (2026-05-12T04:21:26Z) - Context-Guided Decompilation: A Step Towards Re-executability [50.71992919223209]
バイナリ逆コンパイルは、ソフトウェアセキュリティ分析、リバースエンジニアリング、マルウェア理解において重要な役割を果たす。
大規模言語モデル (LLMs) の最近の進歩により、ニューラルデコンパイルが可能になったが、生成されたコードは一般的に意味論的にのみ使用可能である。
In-context Learning(ICL)を活用して,再実行可能なソースコードを生成するためのILC4Decompを提案する。
論文 参考訳（メタデータ） (2025-11-03T17:21:39Z) - ReF Decompile: Relabeling and Function Call Enhanced Decompile [50.86228893636785]
逆コンパイルの目標は、コンパイルされた低レベルコード(アセンブリコードなど)を高レベルプログラミング言語に変換することである。
このタスクは、脆弱性識別、マルウェア分析、レガシーソフトウェアマイグレーションなど、さまざまなリバースエンジニアリングアプリケーションをサポートする。
論文 参考訳（メタデータ） (2025-02-17T12:38:57Z) - Idioms: Neural Decompilation With Joint Code and Type Definition Prediction [7.421408987075001]
既存の神経脱コンパイルベンチマークよりもはるかに複雑で現実的な型を含む新しいデータセットであるRealtypeを紹介します。
提案手法は, ニューラルデコンパイルにおける最先端の結果をもたらすことを示す。
論文 参考訳（メタデータ） (2025-02-06T22:13:40Z) - Fast, Fine-Grained Equivalence Checking for Neural Decompilers [7.421408987075001]
ニューラルデコンパイラ用に設計された新しい命令レベルコード等価技術であるCodealignを導入する。
コーダリンが等価アライメントをどのように生成するかを示し、その上でシンボリック実行と比較してコーダリンを評価する。
論文 参考訳（メタデータ） (2025-01-08T19:59:48Z) - Guess & Sketch: Language Model Guided Transpilation [59.02147255276078]
学習されたトランスパイレーションは、手作業による書き直しやエンジニアリングの取り組みに代わるものだ。
確率的ニューラルネットワークモデル(LM)は、入力毎に可塑性出力を生成するが、正確性を保証するコストがかかる。
Guess & Sketch は LM の特徴からアライメントと信頼性情報を抽出し、意味的等価性を解決するためにシンボリック・ソルバに渡す。
論文 参考訳（メタデータ） (2023-09-25T15:42:18Z) - A Static Evaluation of Code Completion by Large Language Models [65.18008807383816]
単純なプログラミング問題に対するモデル生成コードの機能的正当性を評価するために,実行ベースベンチマークが提案されている。
プログラムを実行せずにエラーを検出するlinterのような静的解析ツールは、コード生成モデルを評価するために十分に研究されていない。
抽象構文木を利用して,Pythonのコード補完における静的エラーを定量化する静的評価フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-05T19:23:34Z)
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。