論文の概要: One Fuzzer, Many Reasoners: Adaptive Neuro-Symbolic Fuzzing with Reliability-Calibrated and Context-Gated Guidance
- arxiv url: http://arxiv.org/abs/2611.16211v1
- Date: Thu, 12 Nov 2026 03:04:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.305311
- Title: One Fuzzer, Many Reasoners: Adaptive Neuro-Symbolic Fuzzing with Reliability-Calibrated and Context-Gated Guidance
- Title(参考訳): 一つのファズーと多くの共振器:信頼度を基準とした適応型ニューロシンボリックファズー
- Abstract要約: ニューラルシンボリックAI(NSAI)は、学習された知覚とプログラム、制約、構成的推論を組み合わせる。
既存のニューラルファジィザは、主にニューラルカバレッジや表現空間のフィードバックに依存している。
NSAIFuzzは、タスク固有の有効な突然変異をアーキテクチャニュートラルなガイド付き検索から分離する統合セマンティクス対応ファジリングフレームワークである。
- 参考スコア(独自算出の注目度): 6.8434753872373975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural-symbolic AI (NSAI) combines learned perception with programs, constraints, and compositional reasoning, but remains difficult to test because small semantics-preserving changes can alter grounded symbols and trigger discontinuous reasoning failures. Existing neural fuzzers mainly rely on neural coverage or representation-space feedback and do not provide a common testing interface for heterogeneous NSAI systems. We introduce NSAI-Fuzz, a unified semantics-aware fuzzing framework that separates task-specific valid mutation from architecture-neutral guided search and represents each candidate using five availability-aware, rank-normalized risk signals: boundary pressure, grounding uncertainty, representation drift, constraint violation, and archive novelty. We further propose Reliability-Calibrated Weighting (RCW), which learns dataset-model-level signal allocations from calibrated reliability, and Contextual Signal Gating (CSG), which adapts signal weights to the current candidate pool. We evaluate four NSAI systems across four reasoning tasks, nine compatible dataset-model cells, 20 policies, and 1,800 on-policy runs. Fixed five-signal guidance outperforms Random and Uniform in every cell, while RCW and CSG further improve over Fixed in all nine cells. Under matched mutation and query budgets, RCW and CSG achieve 16.17% and 16.06% aggregate failure discovery, compared with 6.06% for the strongest neural-fuzzing baseline. Wall-clock evaluation further shows that TensorFuzz requires 1.11x the runtime of RCW while achieving only 0.45x its failure throughput. These results show that effective and efficient fuzzing of heterogeneous NSAI systems benefits from a common neural-symbolic risk interface with adaptive signal allocation.
- Abstract(参考訳): ニューラルシンボリックAI(NSAI)は、学習した知覚とプログラム、制約、構成的推論を組み合わせるが、小さなセマンティックスを保存する変更は、接地されたシンボルを変更し、不連続な推論失敗を引き起こす可能性があるため、テストは困難である。
既存のニューラルファジイザは、主にニューラルカバレッジや表現空間のフィードバックに依存しており、異種NSAIシステムのための共通のテストインターフェースを提供していない。
NSAI-Fuzzは、タスク固有の有効な突然変異をアーキテクチャニュートラル検索から切り離し、各候補を5つのアベイラビリティー対応、ランク正規化リスク信号(境界圧力、グラウンドング不確実性、表現ドリフト、制約違反、アーカイブノベルティ)を用いて表現する統合セマンティクス対応ファジリングフレームワークである。
さらに、キャリブレーションされた信頼性からデータセットモデルレベルの信号割り当てを学習するReliability-Calibrated Weighting(RCW)と、現在の候補プールに信号重みを適応させるコンテキスト信号ゲーティング(CSG)を提案する。
4つの推論タスク、9つの互換性のあるデータセットモデルセル、20のポリシー、そして1,800のオンライン実行でNSAIシステムを評価する。
固定された5信号誘導はすべての細胞でランダムとユニフォームより優れており、RCWとCSGは9つの細胞でさらに改善されている。
一致した突然変異とクエリの予算の下で、RCWとCSGは16.17%と16.06%の総失敗発見を達成した。
さらにウォールクロック評価では、TensorFuzzはRCWのランタイムの1.11倍を必要とし、障害スループットは0.45倍である。
これらの結果から、異種NSAIシステムの効果的かつ効率的なファジィングは、適応的な信号割り当てを伴う共通のニューラルシンボリックリスクインタフェースから恩恵を受けることが示された。
関連論文リスト
- Resilient Cell-Free MIMO ISAC Under Uncertainties: An Impairment-Aware Graph Neural Network Framework [10.742290008139614]
本稿ではビームフォーミングのための障害対応ヘテロジニアスグラフニューラルネットワーク(GNN)フレームワークを提案する。
最小使用率の低い量子化で、クラッタ対応信号+クラッタ+ノイズ比で訓練する。
CSIのエラーレベルと乱数に一般化し、ISACシステムに回復力を与える。
論文 参考訳(メタデータ) (2026-11-02T12:48:41Z) - NeuronFuzz: Safety Neuron Guided Fuzzing for LLM Safety Evaluation [8.994542764059767]
大規模言語モデル(LLM)がジェイルブレイク攻撃に対して堅牢であるかどうかを評価するためには、安全性評価が重要である。
本稿では、内部安全ニューロンを連続的な実行フィードバックとして活用するホワイトボックスファジリングフレームワークであるNeuronFuzzを提案する。
76-100%のジェイルブレイク発見率を達成し、ベースラインを最大48ポイント上回っている。
論文 参考訳(メタデータ) (2026-08-26T12:44:32Z) - TestifAI: Tomography-Based Testing for Deep Learning Systems [42.86570387250456]
TestifAIは、摂動の組み合わせに対する堅牢性を効率的かつ正確に推定するためのフレームワークである。
少数の摂動のみを適用したテストから多摂動空間におけるモデル挙動を再構成する。
低次 (1 と 2 の摂動) 観測から高次 (3 と 4 の摂動) テスト結果を予測することができ、集合的強靭性推定誤差は 7% 未満である。
論文 参考訳(メタデータ) (2026-08-19T13:25:50Z) - AttackPathGNN: Cross-function vulnerability detection in smart contracts using state interference graphs and conjunction pooling [3.8615905456206256]
Solidityスマートコントラクトのための既存の学習ベースの検出は、脆弱性検出を単一関数内のパターンマッチングに還元する。
本稿では,グラフニューラルネットワーク(GNN)であるAttackPathGNNを提案する。
論文 参考訳(メタデータ) (2026-06-04T10:30:24Z) - NeuroFlake: A Neuro-Symbolic LLM Framework for Flaky Test Classification [0.0]
同じバージョンのコードに対して非決定論的パス/フェイル動作を示す、不安定なテストは、信頼できる回帰テストに重大な課題を生じさせる。
我々は,現実世界のデータセット上でフレキテストの分類を行う新しいニューロ・シンボリック・フレームワークであるNeuroFlakeを紹介する。
論文 参考訳(メタデータ) (2026-05-12T03:56:40Z) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳(メタデータ) (2026-02-09T22:48:30Z) - Adversarial Vulnerability Transcends Computational Paradigms: Feature Engineering Provides No Defense Against Neural Adversarial Transfer [1.2482871069947656]
ディープニューラルネットワークは、誤分類を引き起こす敵の例に対して脆弱である。
敵対的脆弱性は、エンドツーエンドの識別可能性の人工物ではなく、画像分類システムの基本的特性であることを示す。
これらの結果から, 敵対的脆弱性は画像分類システムの基本的特性ではなく, エンド・ツー・エンドの識別可能性のアーチファクトであることがわかった。
論文 参考訳(メタデータ) (2026-01-29T06:35:46Z) - Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する
本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。
本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
論文 参考訳(メタデータ) (2024-09-23T15:20:33Z) - Few-Shot Learning with Uncertainty-based Quadruplet Selection for Interference Classification in GNSS Data [40.40418209489273]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害することで重大な脅威となる
本稿では,新しい干渉クラスに適応するための数ショット学習(FSL)手法を提案する。
本手法では,様々な正と負の干渉クラスを用いて表現を学習するために,モデルの四重項選択を用いる。
論文 参考訳(メタデータ) (2024-02-09T13:59:14Z)
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。