論文の概要: Meta-Path Based Attentional Graph Learning Model for Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2212.14274v2
• Date: Mon, 11 Dec 2023 01:37:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 03:22:41.468576
• Title: Meta-Path Based Attentional Graph Learning Model for Vulnerability Detection
• Title（参考訳）: メタパスに基づく脆弱性検出のための注意グラフ学習モデル
• Authors: Xin-Cheng Wen, Cuiyun Gao, Jiaxin Ye, Yichen Li, Zhihong Tian, Yan Jia, Xuan Wang
• Abstract要約: 本稿では,MAGNET と呼ばれるコード vulNErability deTection のためのメタパスに基づく注意グラフ学習モデルを提案する。 メタパスに基づく階層型注目グラフニューラルネットワークも提案され,グラフ内の遠隔ノード間の関係を捉える。 その結果, MAGNETはF1スコアにおいて, それぞれ6.32%, 21.50%, 25.40%で最高のベースライン法より優れていた。
• 参考スコア（独自算出の注目度）: 21.10614864296154
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In recent years, deep learning (DL)-based methods have been widely used in code vulnerability detection. The DL-based methods typically extract structural information from source code, e.g., code structure graph, and adopt neural networks such as Graph Neural Networks (GNNs) to learn the graph representations. However, these methods fail to consider the heterogeneous relations in the code structure graph, i.e., the heterogeneous relations mean that the different types of edges connect different types of nodes in the graph, which may obstruct the graph representation learning. Besides, these methods are limited in capturing long-range dependencies due to the deep levels in the code structure graph. In this paper, we propose a Meta-path based Attentional Graph learning model for code vulNErability deTection, called MAGNET. MAGNET constructs a multi-granularity meta-path graph for each code snippet, in which the heterogeneous relations are denoted as meta-paths to represent the structural information. A meta-path based hierarchical attentional graph neural network is also proposed to capture the relations between distant nodes in the graph. We evaluate MAGNET on three public datasets and the results show that MAGNET outperforms the best baseline method in terms of F1 score by 6.32%, 21.50%, and 25.40%, respectively. MAGNET also achieves the best performance among all the baseline methods in detecting Top-25 most dangerous Common Weakness Enumerations (CWEs), further demonstrating its effectiveness in vulnerability detection.
• Abstract（参考訳）: 近年,コード脆弱性検出にディープラーニング(DL)ベースの手法が広く用いられている。 DLベースの手法は通常、コード構造グラフなどのソースコードから構造情報を抽出し、グラフ表現を学ぶためにグラフニューラルネットワーク(GNN)のようなニューラルネットワークを採用する。 しかし、これらの手法では、コード構造グラフにおける不均一な関係、すなわち、異種関係は、異なる種類のエッジがグラフ内の異なる種類のノードをつなぐことを意味するため、グラフ表現学習を妨げる可能性がある。 さらに、これらのメソッドはコード構造グラフの深いレベルのため、長距離依存関係の取得に制限される。 本稿では,MAGNET と呼ばれるコード vulNErability deTection のためのメタパスに基づく注意グラフ学習モデルを提案する。 magnetは、各コードスニペットに対して多面的メタパスグラフを構築し、異種関係をメタパスとして表現して構造情報を表現する。 メタパスに基づく階層型注目グラフニューラルネットワークも提案され,グラフ内の遠隔ノード間の関係を捉える。 3つの公開データセットにおけるマグネットの評価結果から,f1得点ではマグネットが6.32%,21.50%,25.40%,それぞれ最高のベースライン法を上回っていることがわかった。 MAGNETはまた、最も危険なCWE(Common Weakness Enumerations)トップ25の検出において、すべてのベースラインメソッドの中で最高のパフォーマンスを達成し、その脆弱性検出の有効性をさらに示す。

関連論文リスト

• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• Metapaths guided Neighbors aggregated Network for?Heterogeneous Graph Reasoning [5.228629954007088]
  メタパス誘導隣り合わせ型非均質グラフニューラルネットワークを提案し,性能向上を図る。 提案したMHNの3つの実世界の異種グラフデータセットに対する広範な実験を行った。
  論文  参考訳（メタデータ） (2021-03-11T05:42:06Z)
• Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs [17.823543937167848]
  mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。 グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
  論文  参考訳（メタデータ） (2020-07-31T04:18:20Z)
• MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding [36.6390478350677]
  本稿では,Metapath Aggregated Graph Neural Network (MAGNN) と呼ばれる新しいモデルを提案する。 MAGNNは、入力ノード属性をカプセル化するノードコンテンツ変換、中間的なセマンティックノードを組み込むMetapath内アグリゲーション、複数のメタパスからのメッセージを統合するMetapath間アグリゲーションという3つの主要なコンポーネントを使用している。 実験により、MAGNNは最先端のベースラインよりも正確な予測結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-05T08:21:00Z)

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。