論文の概要: Focus on What Matters: Fisher-Guided Adaptive Multimodal Fusion for Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2601.02438v1
• Date: Mon, 05 Jan 2026 09:31:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.667471
• Title: Focus on What Matters: Fisher-Guided Adaptive Multimodal Fusion for Vulnerability Detection
• Title（参考訳）: 問題に焦点をあてて: 脆弱性検出のための釣りガイド型適応型マルチモーダル核融合
• Authors: Yun Bian, Yi Chen, HaiQuan Wang, ShiHao Li, Zhe Cui,
• Abstract要約: TaCCS-DFAは、分類決定に対する特徴方向の感度の尺度としてフィッシャー情報を導入するフレームワークである。 BigVul、Devign、ReVealの実験では、TaCCS-DFAは複数のバックボーンで高いパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 12.69450437027072
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software vulnerability detection is a critical task for securing software systems and can be formulated as a binary classification problem: given a code snippet, determine whether it contains a vulnerability. Existing multimodal approaches typically fuse Natural Code Sequence (NCS) representations from pretrained language models with Code Property Graph (CPG) representations from graph neural networks, often under the implicit assumption that adding a modality necessarily yields extra information. In practice, sequence and graph representations can be redundant, and fluctuations in the quality of the graph modality can dilute the discriminative signal of the dominant modality. To address this, we propose TaCCS-DFA, a framework that introduces Fisher information as a geometric measure of how sensitive feature directions are to the classification decision, enabling task-oriented complementary fusion. TaCCS-DFA online estimates a low-rank principal Fisher subspace and restricts cross-modal attention to task-sensitive directions, thereby retrieving structural features from CPG that complement the sequence modality; meanwhile, an adaptive gating mechanism dynamically adjusts the contribution of the graph modality for each sample to suppress noise propagation. Our analysis shows that, under an isotropic perturbation assumption, the proposed mechanism admits a tighter risk bound than conventional full-spectrum attention. Experiments on BigVul, Devign, and ReVeal show that TaCCS-DFA achieves strong performance across multiple backbones. With CodeT5 as the backbone, TaCCS-DFA reaches an F1 score of 87.80\% on the highly imbalanced BigVul dataset, improving over a strong baseline Vul-LMGNNs by 6.3 percentage points while maintaining low calibration error and computational overhead.
• Abstract（参考訳）: ソフトウェア脆弱性検出は、ソフトウェアシステムのセキュリティにとって重要なタスクであり、バイナリ分類問題として定式化することができる。 既存のマルチモーダルアプローチは、通常、訓練済み言語モデルからの自然コードシーケンス(NCS)表現と、グラフニューラルネットワークからのコードプロパティグラフ(CPG)表現を融合する。 実際には、シーケンスとグラフの表現は冗長であり、グラフのモダリティの品質の変動は、支配的なモダリティの識別シグナルを希薄にすることができる。 そこで本研究では,タスク指向の相補的融合を実現するため,分類決定に対する特徴方向の感度の幾何的尺度としてフィッシャー情報を導入するフレームワークであるTaCCS-DFAを提案する。 TaCCS-DFAは、低ランクのフィッシャー部分空間を推定し、タスクに敏感な方向へのクロスモーダルな注意を制限し、シーケンスのモダリティを補完するCPGから構造的特徴を抽出する。 解析の結果、等方的摂動仮定の下では、提案機構は従来の全スペクトルの注意よりも厳密なリスクを持つことが示された。 BigVul、Devign、ReVealの実験では、TaCCS-DFAは複数のバックボーンで高いパフォーマンスを実現している。 CodeT5 をバックボーンとして、TaCCS-DFA は高度に不均衡な BigVul データセットの F1 スコア 87.80 % に達し、低いキャリブレーション誤差と計算オーバーヘッドを維持しながら、強力なベースライン Vul-LMGNN を 6.3 ポイント改善した。

関連論文リスト

• Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems [25.567981742631005]
  公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。 CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。 因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
  論文  参考訳（メタデータ） (2025-08-13T05:26:43Z)
• Revisiting Graph Contrastive Learning on Anomaly Detection: A Structural Imbalance Perspective [22.263273250889615]
  本稿では,AD-GCLという新しいGCLベースのフレームワークを提案する。 隣接するプルーニング戦略を考案し、ヘッドノードのノイズの多いエッジをフィルタリングし、真のテールノードの検出を容易にする。 複数のデータセット上の全ノード,頭ノード,尾ノードのパフォーマンス評価は,提案したAD-GCLの総合的な優位性を検証する。
  論文  参考訳（メタデータ） (2025-07-19T16:05:27Z)
• Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
  CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。 本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。 提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
  論文  参考訳（メタデータ） (2025-05-12T01:36:06Z)
• Hierarchical Uncertainty-Aware Graph Neural Network [3.4498722449655066]
  この研究は、階層的不確実性認識グラフニューラルネットワーク(HU-GNN)という新しいアーキテクチャを導入している。 マルチスケールな表現学習、原則的不確実性推定、および単一エンドツーエンドフレームワークにおける自己監督型埋め込み多様性を統一する。 具体的には、HU-GNNはノードクラスタを適応的に形成し、個々のノードからより高いレベルまでの複数の構造スケールで不確実性を推定する。
  論文  参考訳（メタデータ） (2025-04-28T14:22:18Z)
• CRC-SGAD: Conformal Risk Control for Supervised Graph Anomaly Detection [2.290229842388034]
  統計リスク制御をグラフ異常検出(GAD)に統合するフレームワークを提案する。 FNR(False Negative Rate)とFPR(False Positive Rate)の両方に対して理論的に保証されたバウンドを提供する。 4つのデータセットと5つのGADモデルに対する実験は、FNRおよびFPR制御および予測セットサイズにおいて統計的に有意な改善を示した。
  論文  参考訳（メタデータ） (2025-04-03T03:27:49Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Bayesian Attention Belief Networks [59.183311769616466]
  注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。 本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。 提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-09T17:46:22Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Controlling for sparsity in sparse factor analysis models: adaptive latent feature sharing for piecewise linear dimensionality reduction [2.896192909215469]
  本稿では,現在潜伏している特徴分解技術の鍵となる限界に対処できる,シンプルでトラクタブルな特徴割り当てモデルを提案する。 適応型因子分析(aFA)と適応型確率的原理成分分析(aPPCA)を応用し,柔軟な構造発見と次元減少を実現する。 APPCAとaFAは、生のMNISTに適用した場合と、オートエンコーダの特徴を解釈する場合の両方において、高いレベルの特徴を推測できることを示す。
  論文  参考訳（メタデータ） (2020-06-22T16:09:11Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。