論文の概要: Multimodal Deep Learning for Flaw Detection in Software Programs

• arxiv url: http://arxiv.org/abs/2009.04549v1
• Date: Wed, 9 Sep 2020 20:15:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 08:37:15.434335
• Title: Multimodal Deep Learning for Flaw Detection in Software Programs
• Title（参考訳）: ソフトウェアプログラムにおける欠陥検出のためのマルチモーダルディープラーニング
• Authors: Scott Heidbrink, Kathryn N. Rodhouse, Daniel M. Dunlavy
• Abstract要約: ソフトウェアプログラムの複数の表現を活用することで,単一表現解析による欠陥検出を改善することができることを示す。 具体的には、欠陥検出に使用するマルチモーダル学習文献から3つのディープラーニングモデルを適用する。 Juliet Test Suite と Linux Kernel を用いてソフトウェア欠陥の検出結果を示す。
• 参考スコア（独自算出の注目度）: 0.2907684089933149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore the use of multiple deep learning models for detecting flaws in software programs. Current, standard approaches for flaw detection rely on a single representation of a software program (e.g., source code or a program binary). We illustrate that, by using techniques from multimodal deep learning, we can simultaneously leverage multiple representations of software programs to improve flaw detection over single representation analyses. Specifically, we adapt three deep learning models from the multimodal learning literature for use in flaw detection and demonstrate how these models outperform traditional deep learning models. We present results on detecting software flaws using the Juliet Test Suite and Linux Kernel.
• Abstract（参考訳）: ソフトウェアプログラムの欠陥検出に複数のディープラーニングモデルを用いる方法について検討する。 現在、欠陥検出の標準的なアプローチは、ソフトウェアプログラム(例えば、ソースコードやプログラムバイナリ)の単一の表現に依存している。 マルチモーダル深層学習の手法を用いることで,ソフトウェアプログラムの複数の表現を同時に活用し,単一表現解析による欠陥検出を改善することができることを示す。 具体的には,マルチモーダル学習文献から得られた3つのディープラーニングモデルを用いて欠陥検出を行い,これらのモデルが従来のディープラーニングモデルに勝ることを示す。 Juliet Test Suite と Linux Kernel を用いてソフトウェア欠陥の検出結果を示す。

関連論文リスト

• EmbedLLM: Learning Compact Representations of Large Language Models [28.49433308281983]
  大規模言語モデルのコンパクトなベクトル表現を学習するためのフレームワークである EmbedLLM を提案する。 このような埋め込みを学習するためのエンコーダ-デコーダアプローチと,その有効性を評価するための体系的なフレームワークを導入する。 EmbedLLMはモデルルーティングにおいて,精度とレイテンシの両方において,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-03T05:43:24Z)
• Explaining the Contributing Factors for Vulnerability Detection in Machine Learning [16.14514846773874]
  ソフトウェアリポジトリから脆弱性をマイニングし、機械学習技術を使ってソフトウェアの脆弱性を自動的に検出する傾向が増えている。 本研究では、異なる脆弱性機能と3つの代表的な機械学習モデルの組み合わせが、実際の17のプロジェクトにおいて、脆弱性検出の精度にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2024-06-05T18:48:00Z)
• Stop overkilling simple tasks with black-box models and use transparent models instead [57.42190785269343]
  ディープラーニングアプローチは、生データから自律的に機能を抽出することができる。 これにより、機能エンジニアリングプロセスをバイパスすることができる。 ディープラーニング戦略は、しばしば精度で従来のモデルより優れている。
  論文  参考訳（メタデータ） (2023-02-06T14:28:49Z)
• SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video Anomaly Detection [108.57862846523858]
  自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。 マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。 モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
  論文  参考訳（メタデータ） (2022-07-16T19:25:41Z)
• Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
  そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。 自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。 提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
  論文  参考訳（メタデータ） (2022-05-28T03:31:07Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Multi-Scale Aligned Distillation for Low-Resolution Detection [68.96325141432078]
  本稿では,高分解能モデルや多分解能モデルから知識を抽出することで,低分解能モデルの性能を向上させることに焦点を当てる。 いくつかのインスタンスレベルの検出タスクとデータセットにおいて,本手法を用いて訓練された低解像度モデルと,従来のマルチスケールトレーニングによる訓練された高解像度モデルとを競合的に処理する。
  論文  参考訳（メタデータ） (2021-09-14T12:53:35Z)
• Improving Compositionality of Neural Networks by Decoding Representations to Inputs [83.97012077202882]
  我々は、ニューラルネットワークのアクティベーションを制約し、入力に"デコード"するように生成モデルを共同で訓練することで、従来のディープラーニングプログラムの利点を橋渡しする。 本稿では,デオード可能な表現の分布外検出,逆例,校正,公平性への応用を実証する。
  論文  参考訳（メタデータ） (2021-06-01T20:07:16Z)
• Using Neural Architecture Search for Improving Software Flaw Detection in Multimodal Deep Learning Models [2.5705339271809753]
  本研究では,ニューラルネットワークサーチ(NAS)とマルチモーダル学習モデルを組み合わせることで,さらに優れた性能が得られることを示す。 ソフトウェア欠陥検出問題に対する画像分類調査を目的としたNASフレームワークを適用し,Juliet Test Suiteで改善結果を示す。
  論文  参考訳（メタデータ） (2020-09-22T15:59:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。