XiaoMi-AI文件搜索系统
World File Search System符号分析
通过机器学习预测探索指导符号分析的策略
摘要 - 为了提高符号分析工具的可扩展性，一个观察结果是，分析资源在分析不满意的路径上被浪费了，而这在现实中是不可能的。在存在的工作中试图预测程序路径的满足性，而无需花费资源来分析它，但这些预测模型的性能远非完美。在这项工作中，我们试图了解模型预测如何，即使不完美，也可以最有效地用于减少分析令人满意的路径所需的时间。这项工作研究了模型性能，分析域属性之间的相互作用，例如路径分析成本的分布和可满足路径的分布，所使用的符号分析工具的设计以及用于优先级和选择分析路径的算法。使用新型的模拟方法，我们研究了这个问题，发现许多因素对符号分析性能的影响与改进的预测因子一样大。最后，我们以几个关于如何最好地将机器学习预测整合到符号分析的观察结果。
这不是学校：从符号分析的角度探讨教育中的人工智能
公平具体 • Siyavula 教育：“[…] Siyavula 出版了涵盖 4-12 年级数学和科学科目的书籍。这些都是高质量、与课程一致的开放教育资源。根据知识共享许可发布这些资源降低了共享它们的法律障碍，同时以多种格式提供这些资源降低了访问它们的技术障碍。”
参数时间自动机的重写逻辑语义和符号分析
本文介绍了参数时间自动机 (PTA) 的重写逻辑语义，并表明使用 Maude-with-SMT 的符号可达性分析对于 PTA 可达性问题是合理且完整的。然后，我们改进了标准的 Maude-with-SMT 可达性分析，以便当 PTA 的符号状态空间有限时，分析终止。我们展示了如何使用我们的方法合成参数，并将其性能与最先进的 PTA 工具 Imitator 进行比较。实际贡献有两个方面：为 PTA 提供新的分析方法（例如，允许查询中具有更一般的状态属性并支持与用户定义的执行策略相结合的可达性分析，而 Imitator 不支持这些方法），并为实时重写理论开发符号分析方法。