論文の概要: A Neuro-Symbolic Reasoning Engine for Compilation-Free Patch Presence Testing

• arxiv url: http://arxiv.org/abs/2610.27871v1
• Date: Tue, 20 Oct 2026 08:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.732202
• Title: A Neuro-Symbolic Reasoning Engine for Compilation-Free Patch Presence Testing
• Title（参考訳）: コンパイル不要なパッチ精度テストのためのニューロシンボリック推論エンジン
• Abstract要約: 我々は,SyLaresを提案する。このSyLaresは,コンパイル不要パッチ存在試験をニューロシンボリック推論として再構成する。 SyLaresはLLMに最終判定を出力させる代わりに、LLMを神経機能抽出器として使用する。 この神経知覚的シンボリック決定結合は、Code2SMT推論エンジンによって実現される。
• 参考スコア（独自算出の注目度）: 22.55767952239442
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Code reuse in modern software ecosystems facilitates the spread of 1-day vulnerabilities, posing significant security risks. Determining if patches are present is crucial, but traditional methods suffer from limited usability and accuracy, often depending on a fragile compilation process. In our prior work, we introduced Lares, the first compilation-free framework for patch presence testing that combines large language models (LLMs) with SMT solvers. However, Lares treats the LLM and the SMT solver as two separate, parallel decision channels: the symbolic channel (Z3) succeeded in only 20% of code cases, and the remaining cases fell back to the neural channel (the LLM) for the final decision. Letting the LLM act as the final arbiter turns verification into an informal, non-deterministic process that is prone to hallucination errors, while the two channels never reinforce each other. To overcome these limitations, we propose SyLares, which reformulates compilation-free patch presence testing as neuro-symbolic reasoning. Instead of letting the LLM emit a final verdict, SyLares uses the LLM as a neural feature extractor that perceives heterogeneous source code and decompiled pseudocode and produces specification-compliant SMT-LIB inputs, and delegates the final, deterministic judgment to the symbolic Z3 solver. This neural-perceives, symbolic-decides coupling is realized by a Code2SMT reasoning engine that combines deterministic syntactic parsing with LLM-driven code normalization and symbol alignment, so that every case is reduced to a formal equivalence query rather than an opaque LLM guess.
• Abstract（参考訳）: 現代のソフトウェアエコシステムにおけるコードの再利用は、1日間の脆弱性の拡散を促進し、重大なセキュリティリスクを生じさせる。 パッチが存在するかどうかを決定することは重要であるが、従来のメソッドは、脆弱なコンパイルプロセスによって、ユーザビリティと正確性に制限される。 これは、大規模な言語モデル(LLM)とSMTソルバを組み合わせた、パッチ存在テストのための最初のコンパイル不要のフレームワークです。 しかしながら、Lales氏はLLMとSMTソルバを2つの独立した並列決定チャネルとして扱い、シンボルチャネル(Z3)はコードケースの20%しか成功せず、残りのケースは最終決定のために神経チャネル(LLM)にフォールバックする。 LLMを最終的なアービターとして機能させることで、検証は幻覚の誤りを招きやすい非公式な非決定的なプロセスへと変換されるが、2つのチャネルは互いに強化されることはない。 このような制限を克服するため,我々はSyLaresを提案する。 LLMが最終的な判定を出力する代わりに、SyLaresはLLMを異種ソースコードと非コンパイルの擬似コードを知覚する神経特徴抽出器として使用し、仕様に準拠したSMT-LIB入力を生成し、最終的な決定論的判断をシンボルZ3ソルバに委譲する。 決定論的構文解析とLLM駆動のコード正規化とシンボルアライメントを組み合わせたCode2SMT推論エンジンにより、このニューラル知覚のシンボリック・決定結合が実現され、全てのケースが不透明なLLM推定ではなく形式的等価クエリに還元される。

関連論文リスト

• From I/O to Code with Discovery Agent [103.88427301265669]
  IO2Codeの発見エージェントであるDIO-Agentを提案する。 本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。 大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T18:57:32Z)
• Defusing Logic Bombs in Symbolic Execution with LLM-Generated Ghost Code [2.0890922389987683]
  Gordianはハイブリッドなシンボリック実行フレームワークである。 軽量なゴーストコードを生成し、SMTソルバがソルバ-ホストコードのフラグメントを処理するのに役立つ。 従来のシンボリックな実行ベースラインよりも平均52～84%のカバレッジ向上を実現している。
  論文  参考訳（メタデータ） (2026-01-31T07:14:57Z)
• Are Hypervectors Enough? Single-Call LLM Reasoning over Knowledge Graphs [13.99794289273847]
  ニューラルパスのスコアリングを超次元計算に置き換える軽量なKG推論フレームワークであるPathHDを提案する。 PathHDはブロック対角GHRRハイパーベクターにリレーションパスをエンコードし、ブロックワイズコサインの類似性とトップKプルーニングの候補をランク付けし、ワンショットの述語を実行する。 WebQSP、CWQ、GrailQAのスプリットでは、PathHD(i)は、クエリ毎に1つのLLMコールを使用しながら、強力なニューラルネットワークベースラインよりも、Hits@1に匹敵するか、あるいは優れている。
  論文  参考訳（メタデータ） (2025-12-10T07:06:52Z)
• 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)
• Semantic-Aware Fuzzing: An Empirical Framework for LLM-Guided, Reasoning-Driven Input Mutation [0.5336076422485075]
  インターネット・オブ・Thingsデバイス、モバイル・プラットフォーム、自律システムのセキュリティ上の脆弱性は依然として重要だ。 従来の突然変異ベースのファジィザは、主に意味論的推論なしでバイトやビットレベルの編集を行う。 本稿では,Google の FuzzBench 上で LLM を AFL++ に統合するオープンソースフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T19:57:29Z)
• SymRTLO: Enhancing RTL Code Optimization with LLMs and Neuron-Inspired Symbolic Reasoning [30.938876549335067]
  本稿では,新しいニューロン-シンボリックRTL最適化フレームワークであるSymRTLOを提案する。 有限状態機械(FSM)論理の解析と最適化のための記号モジュールを提案する。 Synopsys Design Compiler と Yosys による RTL-Rewriter ベンチマークの実験では、SymRTLO は 43.9% と 62.5% と 51.1% に向上している。
  論文  参考訳（メタデータ） (2025-04-14T16:15:55Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• Neuro-Symbolic Integration Brings Causal and Reliable Reasoning Proofs [95.07757789781213]
  LLMの複雑な推論には2行のアプローチが採用されている。 1行の作業は様々な推論構造を持つLLMを誘導し、構造出力は自然に中間推論ステップと見なすことができる。 他方の行では、LCMのない宣言的解法を用いて推論処理を行い、推論精度は向上するが、解法のブラックボックスの性質により解釈性に欠ける。 具体的には,Prologインタプリタが生成した中間検索ログにアクセスし,人間可読推論に解釈可能であることを示す。
  論文  参考訳（メタデータ） (2023-11-16T11:26:21Z)

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。