Shan Wang（シャイン・ワン）氏らは、2026年10月16日(現地時間)、ニューラルネットワークを用いたバイナリ型推論において、従来の「単一関数境界内分析（intra-procedural analysis）」の限界を克服する新たな手法「インタータイプ（InterType）」を提案した。既存のTransformerベースモデルは命令レベルのセマンティクス学習で高い性能を示す一方、関数呼び出しをまたぐ型制約を無視する課題があった。実証研究では、実世界のバイナリにおける変数の約44%が関数境界を越えて伝播することが示されている。
インタータイプ（InterType）は、バイナリリバースエンジニアリングにおける変数型復元タスクの課題解決を目指す。このタスクは、脆弱性発見、マルウェア解析、セキュリティ強化などの下流アプリケーションにとって重要となる。
InterTypeのアプローチは、事前に訓練されたTransformerモデルに関数間分析（inter-procedural analysis）を組み込むものである。これは、ストリップされたバイナリ解析用のTransformerモデルであるコードアート（CodeArt）を基盤とし、ファインチューニング中に呼び出し元と呼び出し先（caller-callee）間のデータフロー依存性を統合することで拡張されている。具体的には、逆アセンブルされたバイナリから各caller-calleeペアのデータフロー依存性を抽出し、モデルにクロス関数コンテキストを提供する訓練インスタンスを構築する。これにより、Transformerは関数をまたぐ変数伝播パターンを学習し、クロス関数データフローに依存する型を解決することが可能となる。
InterTypeの評価は、最適化レベルO0からO3でコンパイルされたcoreutilsベンチマークで実施された。O1バイナリにおいて、InterTypeはリコール率をCodeArtベースラインの89.00%から91.76%へと2.76パーセンテージポイント改善した。これは、リコールエラー率（1 - リコール率）の25.1%削減に相当する。
参考: arXiv cs.CR — 2026年10月21日 13:00 (JST)