論文の概要: DIFUZZI: A Differential Fuzzing Tool for Code Functional Similarity Assessment

• arxiv url: http://arxiv.org/abs/2610.38337v1
• Date: Wed, 28 Oct 2026 06:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:11:13.699623
• Title: DIFUZZI: A Differential Fuzzing Tool for Code Functional Similarity Assessment
• Title（参考訳）: DIFUZZI:コード機能類似性評価のための微分ファジィツール
• Abstract要約: LLMをベースとした合成生成工程を反復的に検証し,修復するDIFUZZIを紹介する。 DIFUZZIは、微分ファジィリングのより広い適用性への道を開く。
• 参考スコア（独自算出の注目度）: 15.211628096103473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A range of software engineering tasks, such as optimization and refactoring, seek to preserve the behavior of software components and require methods to assess functional similarity. Research has explored formal approaches to prove functional equivalence and used machine learning methods to approximate it, but the former does not scale and does not quantify the extent of similarity and the latter struggles when subtle semantic differences are present. Differential fuzzing offers a scalable approach for differencing programs semantically, but applying it often requires substantial manual effort to construct input generators that are well-suited to a target pair of programs. To address this challenge, we introduce DIFUZZI, which incorporates an LLM-based generator synthesis step that is iteratively validated and repaired. By automating this step, DIFUZZI paves the way for broader applicability of differential fuzzing. We release DIFUZZI at https://github.com/Dristi123/difuzzi_tool, with a demonstration video at https://youtu.be/FlHNOHuo9WE
• Abstract（参考訳）: 最適化やリファクタリングなどのソフトウェアエンジニアリングタスクは、ソフトウェアコンポーネントの挙動を保存し、機能的類似性を評価する方法を必要とする。 関数同値性を証明するための形式的アプローチを探索し、それを近似するために機械学習手法を用いたが、前者はスケールせず、微妙な意味的差異が存在する場合の類似性と後者の闘争の程度を定量化しない。 差分ファジィングは、プログラムを意味的に区別するためのスケーラブルなアプローチを提供するが、ターゲットのプログラムに適した入力ジェネレータを構築するには、かなりの手作業を必要とすることが多い。 この課題に対処するために, LLM ベースのジェネレータ生成ステップを組み込んだ DIFUZZI を導入し, 繰り返し検証し, 修復する。 このステップを自動化することで、DIFUZZIは微分ファジィングのより広い適用性を実現する。 私たちはDIFUZIをhttps://github.com/Dristi123/difuzzi_toolでリリースし、デモビデオはhttps://youtu.be/FlHNOHuo9WEで公開しています。

関連論文リスト

• When Bayesian Tensor Completion Meets Multioutput Gaussian Processes: Functional Universality and Rank Learning [53.17227599983122]
  関数テンソル分解は実数値インデックスを用いて多次元データを解析することができる。 そこで本研究では,Right-Revealing Functional Low-rank tensor completion (RR-F)法を提案する。 連続多次元信号に対するモデルの普遍近似特性を確立する。
  論文  参考訳（メタデータ） (2025-12-25T03:15:52Z)
• LazyDiT: Lazy Learning for the Acceleration of Diffusion Transformers [79.07412045476872]
  拡散変換器は、様々な生成タスクの優越的なモデルとして登場してきた。 各拡散段階におけるモデル全体の実行は不要であることを示し、いくつかの計算は以前のステップの結果を遅延的に再利用することでスキップできることを示した。 遅延学習フレームワークを提案する。このフレームワークは,初期ステップからキャッシュされた結果を効率よく活用し,冗長な計算を省略する。
  論文  参考訳（メタデータ） (2024-12-17T01:12:35Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Autoencoders in Function Space [4.933424018203232]
  オートエンコーダは、元の決定論的形式と変分的定式化(VAE)の両方に広く応用されている。 本稿では,自動エンコーダ(FAE)と変分自動エンコーダ(FVAE)の関数空間バージョンを導入し,解析し,展開する。
  論文  参考訳（メタデータ） (2024-08-02T16:13:51Z)
• Automatic Differentiation of Programs with Discrete Randomness [0.0]
  そこで本研究では,オリジナルプログラムの期待の導出を期待するプログラムを生成するための,新しい再編成手法を開発した。 本研究では,離散時間マルコフ連鎖の非偏差前モードAD,コンウェイのゲーム・オブ・ライフのようなエージェントベースモデル,粒子フィルタの非偏差逆モードADを示す。
  論文  参考訳（メタデータ） (2022-10-16T16:05:50Z)
• Classification Under Human Assistance [29.220005688025378]
  教師付き学習モデルでは、異なる自動化レベル下での運用が、完全な自動化のためにトレーニングされた者や、単独で運用する人間よりも優れていることを示す。 医学診断におけるいくつかの応用から得られた合成および実世界のデータに関する実験は、我々の理論的知見を示している。
  論文  参考訳（メタデータ） (2020-06-21T16:52:37Z)

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。