プログラミング・バイ・エグザンプル（PBE）システムは、入出力例の小さな集合からプログラムを推論する技術です。従来のロバスト性に関する研究は、誤った例をランダムなノイズプロセスからのサンプルとしてモデル化し、期待損失または経験的損失を最小化することに焦点を当ててきました。しかし本論文は異なる失敗パターンに着目しています。それは、合成器を観察する敵対者が、返されるプログラムに最も大きなダメージを与える例の破損を選択するというシナリオです。 論文では、有限なPBEバージョン空間に対する固定集合の最悪ケース破損を形式化し、文字列変換DSLに対する厳密な破損探索とヒューリスティック破損探索を実装しました。さらに、版空間分割集約（VPA）という防御メカニズムを導入しています。これは、互いに素な例グループ上で合成を行い、意味論的署名による投票で結果を統合するアプローチです。 実験結果は複雑な様相を示しています。低マージンのPBE課題には、ランダムな誤字やノイズ付きPBE評価では見逃されるような敵対的ロバストネスの次元が存在します。一方、意味論的分割集約は、クリーンな意味論が投票マージンを保つ場合にのみ有効であり、現実的な課題ではしばしば失敗します。手作業で整理されたDSL課題および公開SyGuS PBE_SLIAスライスでの検証、SYNTRA Playgol v2での評価、ノイズ付きPBE目的関数のベースラインとの比較により、これらの知見が支持されています。 また、局所モデルおよびAPIモデル両方にわたる限定的なプロンプト実験では、LLMにおいても同じ定性的パターンが観察されました。本研究は、PBEシステムの敵対的ロバストネスに関する重要な境界条件を明らかにしており、プログラム合成の堅牢性向上に向けた新たな視点を提供しています。