Proceedings of the 2016 ACM Workshop on Programming Languages and Analysis for Security
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It is our great pleasure to welcome you to the 11th ACM SIGSAC Workshop on Programming Languages and Analysis for Security (PLAS 2016). For the first time since PLAS began in 2006, PLAS 2016 is co-located with the ACM Conference on Computer and Communications Security (CCS). Over its now ten-year history, PLAS has provided a unique forum for researchers and practitioners to exchange ideas about programming language and program analysis techniques with the goal of improving the security of software systems. This year, PLAS received its third-highest number of submissions, attesting to the continued vitality of the community whose work sits at the intersection of programming languages and security. PLAS has always welcomed the submission of both long research papers as well as short papers presenting preliminary or exploratory work. But, in a slight departure from previous years, the 2016 Call for Papers explicitly solicited short position papers presenting radical, open-ended and forward-looking ideas that are likely to generate lively discussion. The Call for Papers attracted 21 submissions---of which, 10 were short papers---from 13 countries (Australia, Belgium, Canada, Czech Republic, Denmark, Estonia, France, Germany, India, Italy, Romania, Sweden, USA), with authors spanning both academia and industry. PLAS 2016 is delighted to have two excellent invited talks: Flow: Analysis of JavaScript for type checking and beyond, Avik Chaudhuri (Facebook)Verified Secure Implementations for the HTTPS Ecosystem, Cédric Fournet (Microsoft Research)
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle