論文の概要: When Labels Are Scarce: A Systematic Mapping of Label-Efficient Code Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2604.00079v1
• Date: Tue, 31 Mar 2026 16:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.668082
• Title: When Labels Are Scarce: A Systematic Mapping of Label-Efficient Code Vulnerability Detection
• Title（参考訳）: ラベルがスカースである場合:ラベル効率の良いコード脆弱性検出の体系的マッピング
• Authors: Noor Khalal, Chakib Fettal, Lazhar Labiod, Mohamed Nadif,
• Abstract要約: 脆弱性ラベリングは、プロジェクト、言語、CWEタイプ間で高価でノイズがあり、不均一である。 この調査は、これらのアプローチをマッピングし、5つのパラダイムファミリーとそれらが使用するメカニズムを合成する。 実用的方法選択のための設計図と制約第一決定ガイド蒸留トレードオフと故障モード
• 参考スコア（独自算出の注目度）: 15.072775161095672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning-based code vulnerability detection (CVD) has progressed rapidly, from deep program representations to pretrained code models and LLM-centered pipelines. Yet dependable vulnerability labeling remains expensive, noisy, and uneven across projects, languages, and CWE types, motivating approaches that reduce reliance on human labeling. This survey maps these approaches, synthesizing five paradigm families and the mechanisms they use. It connects mechanisms to token, graph, hybrid, and knowledgebased representations, and consolidates evaluation and reporting axes that limit comparison (label-budget specification, compute/cost assumptions, leakage, and granularity mismatches). A Design Map and constraintfirst Decision Guide distill trade-offs and failure modes for practical method selection.
• Abstract（参考訳）: ディープラーニングベースのコード脆弱性検出(CVD)は、ディーププログラム表現から事前訓練されたコードモデル、LLM中心のパイプラインまで、急速に進歩している。 しかし、信頼性のある脆弱性ラベリングは、プロジェクト、言語、CWEタイプ全体にわたって高価でノイズが少なく、不均一なままであり、人間のラベリングへの依存を減らすためのアプローチを動機付けている。 この調査は、これらのアプローチをマッピングし、5つのパラダイムファミリーとそれらが使用するメカニズムを合成する。 トークン、グラフ、ハイブリッド、知識に基づく表現に機構を結合し、比較(ラベル予算仕様、計算/コストの仮定、漏洩、粒度ミスマッチ)を制限する評価と報告を集約する。 実用的方法選択のための設計図と制約第一決定ガイド蒸留トレードオフと故障モード

関連論文リスト

• Robust Graph-Based Semi-Supervised Learning via $p$-Conductances [49.0776396776252]
  本研究では,データラベルが不足している,あるいは破損しているような状況下でのグラフに対する半教師付き学習の課題について検討する。 我々は、$p$-laplace と Poisson の学習方法を一般化した $p$-conductance learning という手法を提案する。 コンピュータビジョンと引用データセットの実証実験結果から,本手法が低ラベルレート, 劣化ラベル, 部分ラベルレジームにおける最先端の精度を実現することを示す。
  論文  参考訳（メタデータ） (2025-02-13T01:11:25Z)
• A Combined Feature Embedding Tools for Multi-Class Software Defect and Identification [2.2020053359163305]
  本稿では,GraphCodeBERTとGraph Convolutional Networkを組み合わせた実験手法であるCodeGraphNetを提案する。 この方法は、機能間の複雑な関係をキャプチャし、より正確な脆弱性の識別と分離を可能にする。 決定木とニューラルネットワークのハイブリッドであるDeepTreeモデルは、最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2024-11-26T17:33:02Z)
• Automated Static Warning Identification via Path-based Semantic Representation [37.70518599085676]
  本稿では、深層ニューラルネットワークの強力な特徴抽出と表現能力を用いて、警告識別のための制御フローグラフパスからコードセマンティクスを生成する。 事前訓練された言語モデルを微調整し、パスシーケンスを符号化し、モデル構築のための意味表現をキャプチャする。
  論文  参考訳（メタデータ） (2023-06-27T15:46:45Z)
• Losses over Labels: Weakly Supervised Learning via Direct Loss Construction [71.11337906077483]
  プログラム可能な弱い監視は、機械学習のパラダイムとして成長している。 ラベルの中間ステップを経由することなく,直接損失を発生させるため,ラベルのロバスト・オーバー・ラベル(Losses over Labels, LoL)を提案する。 いくつかのベンチマークテキストおよび画像分類タスクにおいて、LoLは既存の弱い監督手法を改善していることを示す。
  論文  参考訳（メタデータ） (2022-12-13T22:29:14Z)
• Improved Adaptive Algorithm for Scalable Active Learning with Weak Labeler [89.27610526884496]
  Weak Labeler Active Cover (WL-AC)は、要求される精度を維持しながら、クエリの複雑さを低減するために、低品質の弱いラベルを堅牢に活用することができる。 受動学習と同一の精度を維持しつつラベル数を著しく削減し, 劣化したMNISTデータセット上での有効性を示す。
  論文  参考訳（メタデータ） (2022-11-04T02:52:54Z)
• A Weakly Supervised Learning Framework for Salient Object Detection via Hybrid Labels [96.56299163691979]
  本稿では,ハイブリッドラベル下でのSODタスクに焦点をあてる。 このタスクにおけるラベルノイズと量不均衡の問題に対処するため、我々は3つの洗練されたトレーニング戦略を持つ新しいパイプラインフレームワークを設計する。 5つのSODベンチマーク実験により,本手法は弱教師付き/非教師付き手法と競合する性能を示した。
  論文  参考訳（メタデータ） (2022-09-07T06:45:39Z)
• Transductive CLIP with Class-Conditional Contrastive Learning [68.51078382124331]
  雑音ラベル付き分類ネットワークをスクラッチから学習するための新しいフレームワークであるTransductive CLIPを提案する。 擬似ラベルへの依存を軽減するために,クラス条件のコントラスト学習機構を提案する。 アンサンブルラベルは、ノイズラベル付きディープニューラルネットワークのトレーニングを安定化するための擬似ラベル更新戦略として採用されている。
  論文  参考訳（メタデータ） (2022-06-13T14:04:57Z)

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。