JSON, DOT, OBJ, INI, S-expression, TinyC와 같은 구조화된 입력 파일(Structured input files)은 소프트웨어 시스템에서 널리 사용되지만, 아주 작은 손상만으로도 파서(parser)가 유용한 데이터를 거부하게 만들 수 있습니다. 이러한 입력값을 복구하는 것은 매우 중요한데, 구성(configuration), 프로그램, 데이터 파일이 잘못 형성되면 원본 콘텐츠의 대부분이 온전하더라도 테스트, 분석, 배포 및 다운스트림 자동화(downstream automation)를 방해할 수 있기 때문입니다. 기존의 복구 기술들은 구조적으로 유효한 입력값을 생성할 수 있지만, 종종 삭제(deletion)나 반복적인 탐색(repeated search)에 의존하여 원본 콘텐츠를 손실하거나 의미론적 부정확성(semantic incorrectness)을 초래할 수 있습니다. 본 논문은 구조화된 입력 복구를 위한 Transformer 기반 프레임워크인 RepairFormer를 제시합니다. 이 접근 방식은 복구를 지도 학습 기반의 시퀀스 생성(supervised sequence generation) 작업으로 공식화하며, 콘텐츠를 보존하면서 유효한 출력을 생성하기 위해 포맷 태그(format tags), 오라클 검증(oracle validation), 경계 국소화 복구(boundary-localized repair)를 사용합니다. 경계 워크플로우(boundary workflow)는 생성 과정을 탐지된 결함 영역(fault region)에 집중시켜 입력 크기를 줄이고 더 긴 파일의 복구를 지원합니다. 평가 결과, RepairFormer는 복구(repair)에서 88%, 회복(recovery)에서 94%를 달성하였으며, 복구에 성공했을 때 가장 강력한 콘텐츠 보존력을 보여주었습니다. 당사의 벤치마크를 통한 추가 실험에서 RepairFormer는 최신 기술(state of the art) 대비 5배 빠른 실행 시간으로 97.57%의 복구율과 94.29%의 회복률을 기록했습니다.