論文の概要: VulReaD: Knowledge-Graph-guided Software Vulnerability Reasoning and Detection

• arxiv url: http://arxiv.org/abs/2602.10787v1
• Date: Wed, 11 Feb 2026 12:24:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.852337
• Title: VulReaD: Knowledge-Graph-guided Software Vulnerability Reasoning and Detection
• Title（参考訳）: VulReaD:知識グラフ誘導型ソフトウェア脆弱性推論と検出
• Authors: Samal Mukhtar, Yinghua Yao, Zhu Sun, Mustafa Mustafa, Yew Soon Ong, Youcheng Sun,
• Abstract要約: VulReaDは、脆弱性推論と検出のための知識グラフ誘導アプローチである。 CWE-Consistent contrastive reasoning supervision を生成し、手動のアノテーションを使わずに学生モデルトレーニングを可能にする。 バイナリF1を8-10%、マクロF1を30%、マイクロF1を18%改善する。
• 参考スコア（独自算出の注目度）: 37.944533057524986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software vulnerability detection (SVD) is a critical challenge in modern systems. Large language models (LLMs) offer natural-language explanations alongside predictions, but most work focuses on binary evaluation, and explanations often lack semantic consistency with Common Weakness Enumeration (CWE) categories. We propose VulReaD, a knowledge-graph-guided approach for vulnerability reasoning and detection that moves beyond binary classification toward CWE-level reasoning. VulReaD leverages a security knowledge graph (KG) as a semantic backbone and uses a strong teacher LLM to generate CWE-consistent contrastive reasoning supervision, enabling student model training without manual annotations. Students are fine-tuned with Odds Ratio Preference Optimization (ORPO) to encourage taxonomy-aligned reasoning while suppressing unsupported explanations. Across three real-world datasets, VulReaD improves binary F1 by 8-10% and multi-class classification by 30% Macro-F1 and 18% Micro-F1 compared to state-of-the-art baselines. Results show that LLMs outperform deep learning baselines in binary detection and that KG-guided reasoning enhances CWE coverage and interpretability.
• Abstract（参考訳）: ソフトウェア脆弱性検出(SVD)は、現代のシステムにおいて重要な課題である。 大きな言語モデル(LLM)は、予測と共に自然言語による説明を提供するが、ほとんどの研究はバイナリ評価に焦点を当てており、説明には共通弱度列挙(CWE)カテゴリとのセマンティックな一貫性が欠けている。 本稿では,脆弱性推論と検出のための知識グラフ誘導手法であるVulReaDを提案する。 VulReaDはセキュリティ知識グラフ(KG)をセマンティックバックボーンとして利用し、強力な教師LLMを使用してCWEに一貫性のある対照的な推論監視を生成する。 学生はOdds Ratio Preference Optimization(ORPO)に精通し、分類学的に整合した推論を奨励し、無論の説明を抑える。 3つの実世界のデータセットにわたって、VulReaDはバイナリF1を8-10%改善し、最先端のベースラインと比較して、30%のマクロF1と18%のマイクロF1をマルチクラスに分類する。 その結果、LLMはバイナリ検出においてディープラーニングベースラインよりも優れており、KG誘導推論はCWEのカバレッジと解釈可能性を高めていることがわかった。

関連論文リスト

• Latent Chain-of-Thought for Visual Reasoning [53.541579327424046]
  大型視覚言語モデル(LVLM)の解釈可能性および信頼性向上には,チェーン・オブ・シント(CoT)推論が不可欠である 我々は,LVLMにおける推論を後部推論として再構成し,償却変分推論に基づくスケーラブルなトレーニングアルゴリズムを提案する。 提案手法は,7つの推論ベンチマークにおいて,最先端のLVLMを強化することを実証的に実証する。
  論文  参考訳（メタデータ） (2025-10-27T23:10:06Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• T2I-Eval-R1: Reinforcement Learning-Driven Reasoning for Interpretable Text-to-Image Evaluation [60.620408007636016]
  T2I-Eval-R1は,大まかな品質スコアのみを用いて,オープンソースのMLLMを訓練する新しい強化学習フレームワークである。 提案手法では,グループ相対政策最適化を命令調整プロセスに統合し,スカラースコアと解釈可能な推論チェーンの両方を生成する。
  論文  参考訳（メタデータ） (2025-05-23T13:44:59Z)
• Learning to Focus: Context Extraction for Efficient Code Vulnerability Detection with Language Models [16.23854525619129]
  言語モデル(LM)は脆弱性検出の約束を示すが、脆弱で不確実な脆弱性位置のため、長く現実世界のコードに苦労する。 本研究では、LMに基づく脆弱性検出を学習し、センシティブなコンテキストを選択するモデルに依存しないフレームワークであるFocusVulを提案する。
  論文  参考訳（メタデータ） (2025-05-23T04:41:54Z)
• R2Vul: Learning to Reason about Software Vulnerabilities with Reinforcement Learning and Structured Reasoning Distillation [11.15622721122057]
  大規模言語モデル(LLM)は、ソフトウェア脆弱性の検出において有望なパフォーマンスを示しているが、その推論能力は信頼性が保たれている。 本稿では,AIフィードバック(RLAIF)と構造化推論蒸留を組み合わせたR2Vulを提案する。 我々はR2Vulを5つのプログラミング言語と4つの静的解析ツールで評価した。
  論文  参考訳（メタデータ） (2025-04-07T03:04:16Z)
• Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
  大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。 提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
  論文  参考訳（メタデータ） (2024-06-28T20:06:30Z)

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。