该论文聚焦神经反编译器（neural decompiler）的可信度问题。神经反编译器是采用机器学习模型完成反编译任务的系统，作用是把低层语言（如汇编/中间表示）提升为高层语言（如 C 代码）。相比传统确定性反编译器，它的核心优势在于能够以概率方式恢复在 lowering（向低层翻译）过程中被丢弃的信息，例如变量名、数据类型以及控制流结构，因此在可读性和语义丰富度上具备明显实用价值。但代价是这类模型会出错，可能生成与原始程序语义不等价的代码，导致安全与工程人员难以信任其输出结果。 为缓解该问题，作者提出 Faultless——一种面向神经反编译器的程序等价性（program equivalence）技术，用于执行翻译验证（translation validation）。其核心思路是把确定性反编译器产出的代码（具备更强的正确性保证）作为基准，与神经反编译器产出的代码进行等价性比对；同样的机制也可用于模型评估这一高度相关的任务，即把模型预测与参考解进行比较。 论文指出，神经反编译给程序等价性判定带来两类现有技术无法应对的新挑战：一是可用的额外功能上下文（extrafunctional context）非常有限，二是反编译代码中普遍存在系统性的语义不一致（systematic semantic inconsistencies）。为此，Faultless 采用基于静态符号执行的技术路线，并专门设计了能够处理上述挑战的执行模型（execution model）与内存模型（memory model）。该工作属于程序语言与软件工程交叉方向，适合反编译器研发、二进制分析、AI 代码生成可信性评估以及形式化验证相关的研究与工程人员阅读。