eng.cu.edu.eg

이 이메일 도메인이 관측된 논문 1건

arXiv:2607.06125v2cs.SE

Dart AOT 바이너리의 신경망 디컴파일 평가: 미세조정, 지표 유효성, 명세 누출 및 신뢰성

Evaluating Neural Decompilation of Dart AOT Binaries: Fine-Tuning, Metric Validity, Specification Leakage, and Reliability

본 논문에서는 Dart AOT(ahead-of-time) 바이너리에 대한 신경망 디컴파일(neural decompilation)의 실행 기반 평가와 해당 평가 점수가 실제로 측정하는 바에 대한 감사를 제시합니다. 보관된 6개의 어댑터-기준선 비교 전반에서, 18개 엔드포인트에 대해 Holm 보정을 적용하여 k = 1, 5, 10에서 pass@k의 대응 표본 검정을 수행한 결과, 모든 k에서 두 Qwen3-8B 어댑터 모두 기능적 회귀(functional regression)가 확인되었습니다. 나머지 4개의 비교는 결론을 내리기 어렵습니다. 참조 검증을 거치고 계약상 유효한 141개 태스크에서 독립적으로 학습된 3개의 그래프 접두 문맥 시스템이 동일한 후보들을 평가합니다. Best CodeBLEU는 pass@10과 완만한 상관관계(ρ = .218-.246)를 보이고, compile@10은 약한 상관관계(ρ = .072-.082)를 보이며, 컴파일되는 후보 중 단 21.0-23.3%만이 테스트를 통과합니다. 타입, 인자 수(arity), 명령어 내용은 유지하면서 의미적 이름과 관련 단서를 제거한 대응 단일 시드 개입 실험에서는 태스크 커버리지가 42/154에서 7/154로 감소합니다. 일치된 그래프 섭동은 의미적 계약 하에서 감지 가능한 성능 저하를 보이지 않았으며(6개 검정 Holm p >= .750), 명령어 사용 기여도는 미해결 상태로 남아 있습니다. MF-174에서 5개의 디코딩 시드에 걸쳐 기준선은 평균 4.8개, 최소 한 번 이상은 15개, 그리고 모든 시드에서는 1개의 태스크를 해결합니다. 이에 따라 참조 검증, 공유 후보군 기반의 지표 정렬, 바이너리 입력과 메타데이터의 분리, 반복 샘플링, 그리고 출처 보존을 권장합니다. 공개된 캡슐은 무결성 검증 및 보관된 결과의 재현을 지원합니다.