論文の概要: AutoFraming: Synthesizing Dynamic Frames of C Code with LLMs
- arxiv url: http://arxiv.org/abs/2610.29046v1
- Date: Wed, 21 Oct 2026 01:22:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.172029
- Title: AutoFraming: Synthesizing Dynamic Frames of C Code with LLMs
- Title（参考訳）: AutoFraming: LLMによるCコードの動的フレームの合成
- Abstract要約: 大規模な言語モデル(LLM)は、ソースコードから正式な仕様を合成する上で、かなり有望であることを示している。
本稿では,C コードからの関数型コントラクトと並行して ACSL フレーム仕様を合成するための LLM ベースのアプローチを提案する。
- 参考スコア（独自算出の注目度）: 15.35068883163549
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) have shown considerable promise in synthesizing formal specifications from source code. However, existing approaches primarily focus on functional contracts and loop invariants, while largely neglecting frame conditions, which specify the memory locations that may or may not be modified during execution and constitute an essential part of formal specifications. To address this limitation, we propose an LLM-based approach for synthesizing ACSL frame specifications alongside functional contracts from C code. Our approach analyzes code property graphs (CPGs) to extract frame-relevant information from the input code and leverages this information to guide the LLM in generating accurate frame conditions. The resulting specifications capture both region-separation constraints and data dependencies that govern variable modifications. Experimental results demonstrate the effectiveness of our approach. On a benchmark of 84 ACSL-compliant functions from non-trivial real-world systems, our method successfully synthesizes error-free frame specifications for 92.9% of the functions, representing a 179% relative improvement over state-of-the-art techniques. On a second benchmark consisting of 51 functions, the success rate increases from 80.4% to 96.1%. Furthermore, when integrated as an auxiliary component into existing LLM-based ACSL-synthesis frameworks, our approach improves frame-specification generation performance by up to 61.9%.
- Abstract（参考訳）: 大規模な言語モデル(LLM)は、ソースコードから正式な仕様を合成する上で、かなり有望であることを示している。
しかし、既存のアプローチは主に機能的コントラクトとループ不変性に重点を置いているが、フレーム条件は概ね無視されている。
この制限に対処するため,我々は,C コードからの関数的コントラクトとともに ACSL フレーム仕様を合成するための LLM ベースのアプローチを提案する。
提案手法は,入力コードからフレーム関連情報を抽出するためにコードプロパティグラフ(CPG)を解析し,この情報を利用して正確なフレーム条件を生成するためのLCMを誘導する。
結果として得られた仕様は、変数変更を管理する領域分離制約とデータ依存関係の両方をキャプチャする。
実験により,本手法の有効性が示された。
非自明な実世界のシステムからの84のACSL準拠関数のベンチマークにおいて、本手法は92.9%の関数に対してエラーのないフレーム仕様をうまく合成し、最先端技術に対する179%の相対的な改善を示す。
51の関数からなる第2のベンチマークでは、成功率は80.4%から96.1%に増加した。
さらに,既存のLCMベースのACSL合成フレームワークに補助的なコンポーネントとして組み込むと,フレーム仕様生成性能を最大61.9%向上させる。
関連論文リスト
- FPGAgent: An LLM-Assisted Framework for Autonomous HLS Code Generation and Verification in FPGA Environments [28.656036700607924]
大規模言語モデル(LLM)は、高レベル合成(HLS)コード生成をかなり約束している。
既存のアプローチのほとんどは、シミュレーションや合成結果のみを検証している。
本研究では,自律型HLS符号化のためのFPGA環境に適したFPGAgentを提案する。
論文 参考訳（メタデータ） (2026-08-23T12:57:00Z) - AutoACSL: Synthesizing ACSL Specifications by Integrating LLMs with CPG-Based Static Analysis [15.35068883163549]
大規模言語モデルとコードプロパティグラフ(CPG)から抽出したセマンティック機能を統合するフレームワークであるAutoACSLを紹介する。
AutoACSLは静的解析を行い、算術演算、ループと再帰構造、戻り値の伝搬を含む重要な意味要素を抽出する。
仕様生成の成功率は98%、Gemini-3と組み合わせると96%となる。
論文 参考訳（メタデータ） (2026-06-18T22:16:23Z) - VeriAgent: A Tool-Integrated Multi-Agent System with Evolving Memory for PPA-Aware RTL Code Generation [52.43796056267479]
高品質なベリログコード生成のためのPPA対応ツール統合マルチエージェントフレームワークを提案する。
当社のフレームワークでは,EDAツールをtextitProgrammer Agent, textitCorrectness Agent, textitPPA Agentで構成されるクローズドループワークフローに明示的に組み込んでいる。
モデル再トレーニングなしに継続的な改善をサポートするために,構造化メモリノードに最適化エクスペリエンスを外部化するtextitEvolved Memory Mechanismを導入する。
論文 参考訳（メタデータ） (2026-03-18T11:25:40Z) - From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [48.83701310501069]
大規模言語モデル(LLM)は、プログラム合成において優れているが、ニューラルネットワーク設計(信頼性、性能、構造的ノベルティ)を自律的にナビゲートする能力は、未調査のままである。
コード指向LLMをクローズドループ合成フレームワークに配置し、22の教師付き微調整サイクルの進化を解析することによって、この問題に対処する。
論文 参考訳（メタデータ） (2026-01-06T13:20:28Z) - LLM Assisted Coding with Metamorphic Specification Mutation Agent [2.2917707112773593]
メタモルフィック関係は、意味論的に等価な突然変異を生成する基本的なメカニズムとして機能する。
CodeMetaAgent (CMA)は、タスク仕様を体系的に洗練し、セマンティックに制約されたテストケースを生成する。
我々のフレームワークはHumanEval-Pro、MBPP-Pro、SWE-Bench_Liteデータセットで評価されている。
論文 参考訳（メタデータ） (2025-11-23T02:30:34Z) - Enhancing LLM-based Fault Localization with a Functionality-Aware Retrieval-Augmented Generation Framework [14.287359838639608]
FaR-Locは、メソッドレベルの障害ローカライゼーションを強化するフレームワークである。
FaR-Locは、LLM機能抽出、Semantic Retrieval、LLM再ランクの3つの重要なコンポーネントで構成されている。
広く使われているDefects4Jベンチマーク実験により、FaR-Locは最先端のLCMベースラインよりも優れていることが示された。
論文 参考訳（メタデータ） (2025-09-24T20:37:11Z) - LLM-VeriPPA: Power, Performance, and Area Optimization aware Verilog Code Generation with Large Language Models [15.396388099390185]
本稿では,Large Language Models (LLM) を用いたチップ設計の分野について述べる。
我々は、PPAを最適化し、LLMを用いてVerilogコードを生成するために設計された新しいフレームワークであるVeriPPAを紹介する。
筆者らのフレームワークは, 構文的正しさが81.37%, 機能的正しさが62.06%, 現在のSOTA法よりも優れていた。
論文 参考訳（メタデータ） (2025-09-10T22:49:50Z) - Graft: Integrating the Domain Knowledge via Efficient Parameter Synergy for MLLMs [56.76586846269894]
MLLM(Multimodal Large Language Models)は、様々な領域で成功している。
その重要性にもかかわらず、ドメイン固有のMLLM間の知識共有の研究はほとんど未調査のままである。
専門家機能のモジュール構成を可能にする統一パラメータ統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-30T15:07:41Z) - Bridging LLMs and KGs without Fine-Tuning: Intermediate Probing Meets Subgraph-Aware Entity Descriptions [49.36683223327633]
大規模言語モデル(LLM)は、幅広い世界の知識をカプセル化し、強力なコンテキストモデリング能力を示す。
実効的で効率的なKGCを実現するために,LLMの強みを頑健な知識表現と相乗化するための新しいフレームワークを提案する。
従来手法に比べて47%の相対的な改善を達成し,我々の知る限り,ファインチューニング LLM に匹敵する分類性能を初めて達成した。
論文 参考訳（メタデータ） (2024-08-13T10:15:55Z) - FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large
Language Models in Federated Learning [70.38817963253034]
本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。
我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。
本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
論文 参考訳（メタデータ） (2023-09-01T09:40:36Z)
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。