論文の概要: Argus: A Multi-Agent Sensitive Information Leakage Detection Framework Based on Hierarchical Reference Relationships

• arxiv url: http://arxiv.org/abs/2512.08326v1
• Date: Tue, 09 Dec 2025 07:42:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.864243
• Title: Argus: A Multi-Agent Sensitive Information Leakage Detection Framework Based on Hierarchical Reference Relationships
• Title（参考訳）: Argus:階層的参照関係に基づくマルチエージェント情報漏洩検出フレームワーク
• Authors: Bin Wang, Hui Li, Liyang Zhang, Qijia Zhuang, Ao Yang, Dong Zhang, Xijun Luo, Bing Lin,
• Abstract要約: センシティブな情報を検出するための多エージェント協調フレームワークArgusを提案する。 Argusは、キーコンテンツ、ファイルコンテキスト、プロジェクト参照関係を統合する3層検出メカニズムを採用している。 実験の結果、アルガスは96.36%、リコール94.64%、F1スコア0.955で、最大94.86%の精度で漏れ検出に成功した。
• 参考スコア（独自算出の注目度）: 17.30790083446847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensitive information leakage in code repositories has emerged as a critical security challenge. Traditional detection methods that rely on regular expressions, fingerprint features, and high-entropy calculations often suffer from high false-positive rates. This not only reduces detection efficiency but also significantly increases the manual screening burden on developers. Recent advances in large language models (LLMs) and multi-agent collaborative architectures have demonstrated remarkable potential for tackling complex tasks, offering a novel technological perspective for sensitive information detection. In response to these challenges, we propose Argus, a multi-agent collaborative framework for detecting sensitive information. Argus employs a three-tier detection mechanism that integrates key content, file context, and project reference relationships to effectively reduce false positives and enhance overall detection accuracy. To comprehensively evaluate Argus in real-world repository environments, we developed two new benchmarks, one to assess genuine leak detection capabilities and another to evaluate false-positive filtering performance. Experimental results show that Argus achieves up to 94.86% accuracy in leak detection, with a precision of 96.36%, recall of 94.64%, and an F1 score of 0.955. Moreover, the analysis of 97 real repositories incurred a total cost of only 2.2$. All code implementations and related datasets are publicly available at https://github.com/TheBinKing/Argus-Guard for further research and application.
• Abstract（参考訳）: コードリポジトリのセンシティブな情報漏洩は、重要なセキュリティ上の課題として浮上している。 正規表現、指紋の特徴、高エントロピー計算に依存する従来の検出方法は、しばしば高い偽陽性率に悩まされる。 これは検出効率を低下させるだけでなく、開発者の手作業によるスクリーニングの負担を大幅に増加させる。 大規模言語モデル(LLM)やマルチエージェント協調アーキテクチャの最近の進歩は、複雑なタスクに対処するための顕著な可能性を示しており、センシティブな情報検出のための新しい技術的視点を提供している。 これらの課題に対応するために,感性情報を検出する多エージェント協調フレームワークArgusを提案する。 Argusでは、キーコンテンツ、ファイルコンテキスト、プロジェクト参照関係を統合して、偽陽性を効果的に低減し、全体的な検出精度を高める3層検出機構を採用している。 実世界のリポジトリ環境においてArgusを総合的に評価するために,真に漏洩を検出するためのベンチマークと,偽陽性のフィルタリング性能を評価するベンチマークを新たに開発した。 実験の結果、アルガスは96.36%、リコール94.64%、F1スコア0.955で、最大94.86%の精度で漏れ検出に成功した。 さらに、97のレポジトリの分析では、総コストは2.2ドルに過ぎなかった。 すべてのコード実装と関連するデータセットはhttps://github.com/TheBinKing/Argus-Guardで公開されている。

関連論文リスト

• CodeFuse-CommitEval: Towards Benchmarking LLM's Power on Commit Message and Code Change Inconsistency Detection [8.631593963090985]
  バージョン管理は、コード変更の合理性を伝えるためにコミットメッセージに依存するが、これらのメッセージは、しばしば低品質で、メッセージコード不整合(MCI)として知られる差分と矛盾する。 大規模言語モデル(LLM)を用いたMCI検出のための最初のベンチマークであるCODEFUSE-COMMITEVALを紹介する。 我々は、元々一貫したコミットのルール誘導突然変異を通じて、7種類の一貫性のないメッセージを生成し、正と負の両方のサンプルを検証するために2倍の検証を適用した。
  論文  参考訳（メタデータ） (2025-11-25T03:33:57Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• A Knowledge Graph and a Tripartite Evaluation Framework Make Retrieval-Augmented Generation Scalable and Transparent [0.0]
  本研究では,知識グラフとベクトル探索を用いて,文脈に富んだ応答を提供する検索型拡張生成(RAG)を提案する。 この研究の中心的な革新はRAG評価(RAG-Eval)の導入である。 RAG-Evalは、事実のギャップとクエリミスマッチを確実に検出し、高要求でデータ中心の環境への信頼を高める。
  論文  参考訳（メタデータ） (2025-09-23T16:29:22Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Dense Object Detection Based on De-homogenized Queries [12.33849715319161]
  デンス物体検出は、自動走行、ビデオ監視、その他の分野で広く利用されている。 現在、非最大抑圧(NMS)のような欲求的アルゴリズムに基づく検出手法は、密集したシナリオにおいて繰り返し予測や欠落検出をしばしば生成している。 終端から終端までのDETR(Detection TRansformer)をNMSなどの後処理の復号化能力をネットワークに組み込む検知器として利用することで,クエリベースの検出器における均一なクエリがネットワークの復号化能力とエンコーダの学習効率を低下させることがわかった。
  論文  参考訳（メタデータ） (2025-02-11T02:36:10Z)
• Smart Contract Vulnerability Detection based on Static Analysis and Multi-Objective Search [3.297959314391795]
  本稿では,静的解析と多目的最適化アルゴリズムを用いて,スマートコントラクトの脆弱性を検出する手法を提案する。 永続性、スタックオーバーフローの呼び出し、整数オーバーフロー、タイムスタンプの依存関係の4つのタイプの脆弱性に焦点を当てています。 我々は,6,693のスマートコントラクトを含むEtherscanから収集したオープンソースデータセットを用いて,このアプローチを検証する。
  論文  参考訳（メタデータ） (2024-09-30T23:28:17Z)
• DeepfakeBench: A Comprehensive Benchmark of Deepfake Detection [55.70982767084996]
  ディープフェイク検出の分野で見落とされがちな課題は、標準化され、統一され、包括的なベンチマークがないことである。 DeepfakeBenchと呼ばれる,3つの重要なコントリビューションを提供するディープフェイク検出のための,最初の包括的なベンチマークを提示する。 DeepfakeBenchには15の最先端検出方法、9CLデータセット、一連のDeepfake検出評価プロトコルと分析ツール、包括的な評価ツールが含まれている。
  論文  参考訳（メタデータ） (2023-07-04T01:34:41Z)

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。