論文の概要: Beyond Tokens: NumAnchor for Address-Grounded Numeric Operand Representation in Assembly Language Models
- arxiv url: http://arxiv.org/abs/2610.29027v1
- Date: Wed, 21 Oct 2026 00:59:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.168642
- Title: Beyond Tokens: NumAnchor for Address-Grounded Numeric Operand Representation in Assembly Language Models
- Title（参考訳）: Beyond Tokens:NumAnchor for Address-Grounded Numeric Operand Representation in Assembly Language Models
- Abstract要約: NumAnchorは、コンパクトな構造側記述子でコード、データ、スタックコンテキストをエンコードする。
我々は,NumAnchorがRecall@1で35.0%,MRRで31.7%の相対的な改善を10k候補関数検索で達成していることを示す。
- 参考スコア（独自算出の注目度）: 35.2774009447094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Assembly language models (ALMs) are becoming important for automated binary analysis, yet their token-level interfaces often obscure numeric-like operands. In two corpora, such operands account for 45.7% and 40.9% of operand occurrences and may denote branch targets, global data, stack slots, constants, or unresolved pointer-derived values. Existing normalization strategies often lose their identities and structural relationships. We present NumAnchor, an input-boundary adapter that represents recoverable numeric-like operands as typed, canonicalized program entities. NumAnchor encodes code, data, and stack context in compact structural side descriptors, preserving entity identity and locality without increasing the host sequence length. These descriptors are fused into input embeddings before the first Transformer layer, while the host architecture, pretraining objectives, and downstream protocols remain unchanged. Probing frozen instruction-level embeddings yields 98.7% hierarchical-location accuracy and AUROC scores of 0.932 and 0.907 for jump and call target alignment, respectively, showing that the encoded structural information remains recoverable. Across multiple ALM families, NumAnchor achieves relative improvements of up to 35.0% in Recall@1 and 31.7% in MRR on 10k-candidate function retrieval, and improves execution-aware type recovery by up to 5.2 F1 points. Ablations show complementary gains from code, data, and stack descriptors with modest overhead.
- Abstract（参考訳）: アセンブリ言語モデル(ALM)は、自動バイナリ分析において重要になっているが、トークンレベルのインターフェースは、しばしば数値のようなオペランドを曖昧にしている。
2つのコーパスでは、そのようなオペランドは45.7%と40.9%のオペランド発生であり、分岐ターゲット、グローバルデータ、スタックスロット、定数、未解決ポインタ由来の値を表すこともある。
既存の正規化戦略は、しばしばそのアイデンティティと構造的関係を失う。
NumAnchor(英語版)は、リカバリ可能な数値的なオペランドを型付き正規化されたプログラムエンティティとして表現する入力バウンダリアダプタである。
NumAnchorは、コンパクトな構造側記述子でコード、データ、スタックコンテキストをエンコードする。
これらの記述子は、最初のTransformerレイヤの前に入力埋め込みに融合されるが、ホストアーキテクチャ、事前学習の目的、下流プロトコルは変わらない。
凍結した命令レベルの埋め込みは98.7%の階層的位置精度を示し、AUROCスコアはそれぞれ0.932と0.907のジャンプ目標アライメントを示し、符号化された構造情報が回復可能であることを示す。
複数のALMファミリー全体で、NumAnchorは10k候補関数検索において、Recall@1で35.0%、MRRで31.7%の相対的な改善を達成し、実行認識型リカバリを最大5.2F1ポイント改善した。
アブレーションは、コード、データ、スタック記述子からわずかなオーバーヘッドで補完的な利得を示している。
関連論文リスト
- SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。
既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。
明示的なWhat-whereインターフェースであるSeGDePを提示する。
論文 参考訳（メタデータ） (2026-09-08T15:11:32Z) - SAM3-LoRA: Parameter-Efficient Adaptation of a Concept-Promptable Foundation Model for Multi-Class Structural Defect Segmentation [0.0]
本研究は,多層構造欠陥セグメンテーションにおけるローランド適応(LoRA)をSAM3に適用する。
本稿では,COCOスタイルのクラスラベルインスタンスセグメンテーションから直接,概念実証可能なモデルをトレーニングする監督手順について述べる。
論文 参考訳（メタデータ） (2026-08-31T23:19:59Z) - Identifying Latent Declarative Representations of Code for Assisting Repository Migration [0.7763235307178853]
ADFD-Migrateは、潜在表現を、プロセス、データストア、外部エンティティ、フロー、行動契約の注釈付きデータフロー図(ADFD)で近似する。
aDFD-Migrate on f2x50, a new benchmark of 50Fortran repository across 1.5k--1.6M code and three complexity tiers。
論文 参考訳（メタデータ） (2026-08-22T08:23:14Z) - Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。
生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。
現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
論文 参考訳（メタデータ） (2026-08-17T09:53:27Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - Towards Persistent Case-Based Memory for Autonomous Data Science: A CBR-Augmented R&D-Agent with a Locally Deployable Small Language Model [0.0]
我々は, Gemma 4 31B Dense のカスタムバックエンドに CBR レイヤを Microsoft の R&D-Agent フレームワークに統合した CBR 拡張 R&D-Agent を提案する。
ケースは構造化レコードとして格納され、実行可能なコードスナップショットと品質メタデータが格納される。
108回の検索イベントにおけるヒューリスティックな再利用検出は,意味的関連性が高いことを示す。
論文 参考訳（メタデータ） (2026-06-03T12:56:11Z) - SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。
各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。
ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
論文 参考訳（メタデータ） (2026-06-02T02:45:21Z) - Trans-RAG: Query-Centric Vector Transformation for Secure Cross-Organizational Retrieval [16.56643936191435]
Trans-RAGは、各組織の知識が数学的に孤立した意味空間に存在する新しいベクトル空間言語パラダイムを実装している。
テストでは、nDCG@10の3.5%の精度低下が最小限に抑えられ、同型暗号よりも大幅に効率が向上した。
論文 参考訳（メタデータ） (2026-04-10T17:58:06Z) - TwoHead-SwinFPN: A Unified DL Architecture for Synthetic Manipulation, Detection and Localization in Identity Documents [0.4881924950569192]
TwoHead-SwinFPNは、ID文書内の操作済み領域のバイナリ分類と正確なローカライズを同時に行う統合ディープラーニングアーキテクチャである。
提案手法では,Swin TransformerのバックボーンをFeature Pyramid Network(FPN)とUNetスタイルのデコーダと統合し,CBAM(Convolutional Block Attention Module)を拡張して特徴表現を改善する。
FantasyIDiapデータセットの実験では、84.31%の精度、90.78%のAUC、57.24%のDiceスコアが優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-01-19T09:50:51Z)
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。