본 논문은 소프트웨어 검증 알고리즘의 자동 선택을 위한 새로운 접근 방식인 MFH를 제안합니다. 기존의 자동 선택 방식이 머신러닝이나 수동 설계 휴리스틱에 의존하여 고품질 샘플 및 알고리즘 라벨에 대한 의존성과 확장성의 한계를 갖는다는 문제점을 해결하기 위해, MFH는 정확한 결과를 생성하는 검증기가 특정 적절한 알고리즘을 구현하고, 이러한 검증기가 지원하는 알고리즘이 잠재적으로 적용 가능한 알고리즘을 반영한다는 휴리스틱을 활용합니다. 구체적으로, 의미 보존 변환 프로그램의 코드 속성 그래프(CPG)를 활용하여 예측 모델의 강건성을 높이고, 잠재적으로 적용 가능한 알고리즘 예측 및 가장 적절한 검증기 매칭이라는 두 가지 하위 작업으로 선택 작업을 분해합니다. 또한, 잘못된 예측에 대한 피드백 루프를 도입하여 모델 예측 정확도를 개선합니다. 20개의 검증기와 15,000개 이상의 검증 작업에 대한 평가 결과, MFH는 학습 단계에서 기준 진실 알고리즘 라벨 없이도 91.47%의 예측 정확도를 달성했으며, 10개의 새로운 검증기를 추가해도 예측 정확도가 0.84%만 감소하는 등 강력한 확장성을 보였습니다.
