본 논문은 GCC 또는 LLVM 최적화 인프라의 재사용이 비실용적인 소형 컴파일러, 소스-투-소스(source-to-source) 도구 및 인터프리터에서 함수 인라이닝(function-inlining) 결정의 예측 가능성을 조사합니다. 이 연구의 관련성은 컴파일러 인프라가 제한적이고, 런타임 의존성이 제한되며, 타겟 특정 분석에 대한 접근이 줄어든 시스템으로 성숙한 인라이닝 휴리스틱을 전송해야 할 필요성에 의해 결정됩니다. 기존의 프로덕션 컴파일러는 이미 강력한 인라이너(inliners)를 포함하고 있지만, 그 결정은 경량 시스템에서 재현하기 어려운 내부 중간 표현(IRs), 패스 순서(pass ordering), 타겟 모델 및 분석 스택에 의존합니다. 이러한 제약을 극복하기 위해, 우리는 휴대 가능한 인라이닝 예측 프레임워크를 제안합니다. 프로덕션 컴파일러 진단 데이터가 감독(supervision) 역할을 수행하며, 별도의 추출기(extractor)가 호출자-피호출자(caller-callee) 호출 지점(callsites)을 재구성하고, 깨끗한 소스 스니펫을 준비하며, 이를 범용 AST로 정규화하고, 선택적으로 경량 구조적 IR로 낮춘(lowers) 다음, 모델 학습을 위한 스칼라 특징(scalar features)을 내보냅니다. 따라서 학습된 예측기는 컴파일러-런타임 의존성 없이 일반적인 C 코드로 생성될 수 있습니다. 제안된 프레임워크를 평가하기 위해, 우리는 79,287개의 컴파일러 보고 인라인 이벤트를 포함하여 15개의 오픈 소스 C 프로젝트로부터 추출한 336,938개의 호출 지점으로 구성된 데이터셋을 구축했습니다. 프로젝트 인식 검증(project-aware validation)을 사용하여 여러 테이블형 모델(tabular models)의 비교를 수행했습니다. Leave-one-project-out 검증 하에서 CatBoost는 ROC-AUC 0.928 및 PR-AUC 0.713에 도달했습니다. 임계값 조정(threshold tuning) 후, F1 점수는 0.670에서 0.729로 향상되었고, 거짓 양성률(false-positive rate)은 0.192에서 0.084로 떨어졌습니다. 특징 분석(Feature analysis) 결과, 대부분의 신호는 소스 지역성(source locality), 명시적 인라인 의도, 피호출자 크기, 부작용(side effects), 분기 및 호출 구조, 시그니처 형태, 호출 지점 인자 형태에 집중되어 있음을 보여줍니다.