PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09366v1cs.SE

검증을 위한 다양화: 태스크 동치 프로그램이 검증 가능성에서 차이를 보이는 경우

Diversifying to Verify: When Task-Equivalent Programs Differ in Verifiability

프로그램 검증은 소프트웨어 정확성을 위해 매우 중요하지만, 완전히 검증된 프로그램을 실제로 생성하는 것은 여전히 어려운 과제입니다. 본 논문은 동일한 태스크 수준 의미론(task-level semantics)을 만족하도록 생성된 여러 프로그램에서 구현 구조가 자동화된 검증 가능성에 영향을 미치는지 연구합니다. 우리는 Why3를 위한 단계적 대규모 언어 모델(LLM) 기반 파이프라인인 Diversify2Verify를 제시합니다. 이 파이프라인은 표현 특화 계약(representation-specific contracts)을 추론하고, 다양한 재귀적 및 명령형 배열/리스트 구현을 생성 및 테스트하며, 한정된 검증기 유도 어노테이션 복구(verifier-guided annotation repair)를 통해 검증을 시도합니다. 또한 우리는 정수, 배열, 리스트에 걸친 73개 태스크로 구성된 검증 지향 벤치마크를 구축하여 292개의 구현 변형을 생성하였습니다. Diversify2Verify는 초기에 96개의 아티팩트를 검증하고, 두 차례의 복구 과정을 거친 후 154개를 검증함으로써 아티팩트 수준의 검증률을 32.9%에서 52.7%로 향상시킵니다. 태스크 수준에서는 73개 태스크 중 49개에서 최소 하나의 변형이 검증되어 67.1%의 성공률을 기록합니다. 이러한 결과는 태스크 동치 구현들이 검증 가능성에서 실질적인 차이를 보일 수 있으며, 구현 다양성이 검증 친화적인 아티팩트를 찾는 데 도움이 됨을 보여줍니다.

arXiv:2607.05478v1cs.LG

InvWeaver: 상호작용 루프 프로그램의 불변식 합성을 위한 연역적 피드백

InvWeaver: Deductive Feedback for Invariant Synthesis in Interacting-Loop Programs

루프 불변식 추론(loop invariant inference)은 프로그램 검증에서 근본적이면서도 난이도가 높은 문제이다. 최근 대규모 언어 모델(LLM)을 활용한 추측-검증(guess-and-check) 기법은 단일 루프 프로그램에서 높은 성능을 보였으나, 상호작용하는 복수의 루프를 포함하는 프로그램에서는 종종 어려움을 겪는다. 본 논문은 이러한 프로그램에 대한 불변식 합성을 위한 신경-기호(neuro-symbolic) 프레임워크인 InvWeaver를 제시한다. 핵심 아이디어는 루프 수준 추상화, 의무 유도 추론(obligation-guided inference), 그리고 최약 사전조건(weakest-precondition) 기반 정제의 조합을 통해 루프 간 의존성을 노출하고 증명 의무(proof obligation)를 전파하는 것이다. 우리는 고전 알고리즘으로부터 새롭게 구축한 데이터셋을 포함하는 포괄적인 벤치마크 스위트를 이용해 InvWeaver를 평가하였다. 실험 결과, InvWeaver는 기존 불변식 추론 방법들을 크게 능가하여 82개의 다중 루프 벤치마크 문제 중 72개를 해결하였으며, 단일 루프 과제에서도 높은 성능을 유지하였다.