PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17508v1cs.LG

다음 단계가 하나의 단계가 아닐 때: 동시성 Go 프로그램을 위한 분포 인식 실행 모델링

When the Next Step Is Not One Step: Distribution-Aware Execution Modeling for Concurrent Go Programs

동시성 프로그램에서 다음 단계를 예측하도록 모델을 학습시키는 것은 겉보기보다 어렵습니다. 스케줄러가 비결정적이기 때문에 동일한 추적 접두 문맥에서 동일한 프로그램을 두 번 실행하면 서로 다르지만 유효한 다음 이벤트가 발생할 수 있습니다. 단일 레이블에 대해 학습된 모델은 무작위 과정의 한 가지 결과를 추측하는 것을 학습하게 됩니다. 우리는 이를 역이용하여 비결정성을 학습 신호로 활용합니다. 우리는 각 프로그램을 여러 번 실행하고 관찰된 다음 이벤트를 경험적 분포로 집계한 다음, KL 목적함수를 사용하여 해당 분포와 일치하도록 7B 모델을 미세조정합니다. 실제 운영 환경 Go 버그(CockroachDB, Kubernetes, gRPC, etcd)에서 추출한 798개의 검증용 예측에 대해, 천 개 미만의 추적으로 미세조정을 수행했을 때 36.2%의 정확도를 달성하여, 제로샷으로 사용된 Gemini 3.5 Flash(34.8%)와 미세조정되지 않은 동일한 모델(28.6%)보다 앞섰습니다. 분포 학습은 정확도 면에서 교차 엔트로피와 대등하면서(35.8% 대 36.2%) 기대 보정 오차를 0.205에서 0.169로 감소시켰습니다. 또한, P(GoUnblock)=0이 학습이 아닌 스케줄러 의미론에 의해 성립하는 select문에 의해 차단된 고루틴 클래스에 대한 형식적인 고루틴 누수 시그니처를 도출했습니다. 데이터셋, 학습된 어댑터 및 모든 도구를 공개합니다.