Génération efï¬cace de graphes dâappels dynamiques complets
Bibliographic record
Abstract
Analyser le code permet de vériï¬er ses fonctionnalités, détecter des bogues ou améliorer sa performance. Lâanalyse du code peut être statique ou dynamique. Des approches combinants les deux analyses sont plus appropriées pour les applications de taille industrielle où lâutilisation individuelle de chaque approche ne peut fournir les résultats souhaités.\nLes approches combinées appliquent lâanalyse dynamique pour déterminer les portions\nà problèmes dans le code et effectuent par la suite une analyse statique concentrée sur\nles parties identiï¬Ã©es. Toutefois les outils dâanalyse dynamique existants génèrent des\ndonnées imprécises ou incomplètes, ou aboutissent en un ralentissement inacceptable du temps dâexécution.\nLors de ce travail, nous nous intéressons à la génération de graphes dâappels dynamiques complets ainsi que dâautres informations nécessaires à la détection des portions à \nproblèmes dans le code. Pour ceci, nous faisons usage de la technique dâinstrumentation dynamique du bytecode Java pour extraire lâinformation sur les sites dâappels, les sites de création dâobjets et construire le graphe dâappel dynamique du programme. Nous démontrons quâil est possible de proï¬ler dynamiquement une exécution complète dâune application à temps dâexécution non triviale, et dâextraire la totalité de lâinformation à un coup raisonnable. Des mesures de performance de notre proï¬leur sur trois séries de benchmarks à charges de travail diverses nous ont permis de constater que la moyenne du coût de proï¬lage se situe entre 2.01 et 6.42.\nNotre outil de génération de graphes dynamiques complets, nommé dyko, constitue\négalement une plateforme extensible pour lâajout de nouvelles approches dâinstrumentation. Nous avons testé une nouvelle technique dâinstrumentation des sites de création dâobjets qui consiste à adapter les modiï¬cations apportées par lâinstrumentation au bytecode de chaque méthode. Nous avons aussi testé lâimpact de la résolution des sites dâappels sur la performance générale du proï¬leur.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".