論文の概要: How Code Representation Shapes False-Positive Dynamics in Cross-Language LLM Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2604.27714v1
• Date: Thu, 30 Apr 2026 11:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.055664
• Title: How Code Representation Shapes False-Positive Dynamics in Cross-Language LLM Vulnerability Detection
• Title（参考訳）: 言語間LLM脆弱性検出におけるFalse-Positive Dynamicsのコード表現法
• Abstract要約: 言語間の脆弱性検出において、コード表現形式がどのように偽陽性行動を形成するかは、まだ理解されていない。 学習時間と推論時間の両方で、原文と刈り取られた抽象構文木を比較し、学習強度とコード表現形式を体系的に変化させる。 言語間のFPRは、トレーニング時間と推論時間の両方の表現の合同効果を反映している。
• 参考スコア（独自算出の注目度）: 8.360057179027322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How code representation format shapes false positive behaviour in cross-language LLM vulnerability detection remains poorly understood. We systematically vary training intensity and code representation format, comparing raw source text with pruned Abstract Syntax Trees at both training time and inference time, across two 8B-parameter LLMs (Qwen3-8B and Llama 3.1-8B-Instruct) fine-tuned on C/C++ data from the NIST Juliet Test Suite (v1.3) and evaluated on Java (OWASP Benchmark v1.2) and Python (BenchmarkPython v0.1). Cross-language FPR reflects the joint effect of training-time and inference-time representation, not either alone. Text fine-tuning drives FPR upward monotonically (Qwen3-8B: 0.763 zero-shot, 0.866 pilot, 1.000 full-scale) while F1 remains stable (0.637-0.688), masking the collapse. We argue surface-cue memorisation is the primary mechanism: text fine-tuning encodes C/C++-specific API names and syntactic idioms as vulnerability triggers that fire indiscriminately on target-language code. A cross-representation probe, applying text-trained weights to AST-encoded input without retraining, isolates this: Qwen3-8B FPR drops from 0.866 to 0.583, and 37.2% of false positives revert to true negatives under AST input alone. Direct AST fine-tuning does not preserve the benefit (FPR at least 0.970), as flat linearisation introduces structural surface cues of its own. The pattern replicates across both model families. On BenchmarkPython the AST probe yields FPR=0.554, within 2.9 percentage points of the Java result, despite maximal surface-syntax differences, substantially weakening a domain-shift explanation. These findings motivate a pre-deployment consistency gate, running alerts through both text and AST paths, as a retraining-free filter for false-positive-sensitive settings, at the cost of reduced recall.
• Abstract（参考訳）: 言語間のLLM脆弱性検出において、コード表現形式がどのように偽陽性行動を形成するかは理解されていない。 NIST Juliet Test Suite(v1.3)のC/C++データに基づいて微調整し,Java(OWASP Benchmark v1.2)とPython(BenchmarkPython v0.1)で評価した。 言語間のFPRは、トレーニング時間と推論時間の両方の表現の合同効果を反映している。 F1は安定している(0.637-0.688)のに対し、FPRは単調に上向き(Qwen3-8B: 0.763 ゼロショット、0.866 パイロット、1.000 フルスケール)、F1は安定している(0.637-0.688)。 テキスト微調整は、C/C++固有のAPI名と構文的イディオムを、ターゲット言語コードで不特定に発火する脆弱性トリガとしてエンコードする。 Qwen3-8B FPRは0.866から0.583に低下し、偽陽性の37.2%はAST入力だけで真陰性に戻る。 直流AST微調整は、平坦な線形化が自身の構造面の手がかりをもたらすため、利益を維持できない(FPRは0.970以上)。 このパターンは両方のモデルファミリに複製される。 BenchmarkPython では、AST プローブは FPR=0.554 で、最大表面-構文差にもかかわらず、Java の結果の2.9 ポイント以内で、ドメインシフトの説明を著しく弱めている。 これらの知見は、リコールの削減を犠牲にして、偽陽性のセッティングのためのトレーニング不要フィルタとして、テキストとASTパスの両方を通じて警告を実行する、事前デプロイ整合ゲートを動機付けている。

関連論文リスト

• PolicyGuard: Prompt-Configurable Semantic DLP for LLM Coding Agents [0.8836202788658859]
  既存のデータ損失防止ソリューションは、厳格なパターン、モデル微調整、カスタマイズ可能なベンダー管理型分類器に依存している。 自然言語ポリシーファイルを使用してプロンプトを分類するプレモデルインターセプションフレームワークであるPhysageGuardを提案する。 主な貢献は,(1) 分類基準がコード変更やモデル再訓練を伴わない非技術者によって編集可能なポリシー文書で完全に定義されるポリシ・アズ・プロンプト・パラダイム,(2) テンプレート・ファミリーレベルのデータ分割,隠蔽ホールドアウト,凍結したテストセットによる一般化の厳密な評価を行うシールされた評価プロトコルである。
  論文  参考訳（メタデータ） (2026-08-03T08:10:15Z)
• PCAP-LM: An LLM-Native Text Representation for TLS Bulk Traffic Analysis [0.0]
  本稿では,フロー中心のLLMネイティブテキスト表現であるPCAP-LMについて述べる。 生のキャプチャはPacketGlyphsを使って意味的な要約に変換される。 BPE語彙は159個のトークンで完全に飽和し、tshark -Vに対して812倍の縮小を実現した。
  論文  参考訳（メタデータ） (2026-07-30T12:10:12Z)
• Weave of Formal Thought [51.56484100374058]
  WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。 本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。 Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
  論文  参考訳（メタデータ） (2026-06-24T15:58:11Z)
• Context-Aware Distillation and Ablation for Text2DSL [78.29352305480285]
  我々は、コンテクスト対応蒸留により、プロンプトのみの合成生成を置き換える。 教師の大きな言語モデルは、明示的に定義された構造化コンテキストの下で機能する。 これは、検証されたポルキットベンチコーパスを4,204対から10,073対にスケールする。
  論文  参考訳（メタデータ） (2026-06-21T16:27:24Z)
• Closing the Modality Gap in Zero-Shot HAR: Contrastive Training and Separability-Optimized Prototypes on IMU Data [0.0]
  PAMAP2データセット上で,3つの推論手法と2つのトレーニングパイプラインを組み合わせた7つの構成を評価する。 モダリティギャップは,目的によって支配される訓練時間現象であることがわかった。 また、テストセットのクラス分布が不均衡である場合、全体的な精度が誤解を招く一次指標であることを実証する。
  論文  参考訳（メタデータ） (2026-06-09T12:39:41Z)
• A Protocol-Language Model for Network Intrusion (Without Deep Packet Inspection) [0.0]
  PLM-NIDSは3つの主張を連続的に証明する。 IP/TCP/UDPヘッダのみを読み込むため、本質的に暗号化に依存しない。
  論文  参考訳（メタデータ） (2026-05-29T07:03:11Z)
• Recursive language models for jailbreak detection: a procedural defense for tool-augmented agents [0.0]
  Recursive Language Models (RLM) に基づくエンドツーエンドのジェイルブレイク検出フレームワーク RLM-JB を提案する。 RLM-JBは、検出をワンショット分類ではなく手順として扱う。 AutoDANスタイルの逆入力では、RLM-JBは3つのLLMバックエンド間で高い検出効率を実現する。
  論文  参考訳（メタデータ） (2026-02-18T15:07:09Z)
• LLM-Driven Adaptive Source-Sink Identification and False Positive Mitigation for Static Analysis [0.0]
  textscAdaTaintは、ソース/シンク仕様を適応的に推論し、ニューロシンボリック推論を通じて刺激的な警告をフィルタリングする。 textscAdaTaintは、プログラム事実と制約検証のモデル提案を基礎にして、適応性と決定性の両方を保証する。 結果はtextscAdaTaint がtextbf43.7% で偽陽性を減らし、textbf11.2% でリコールを改善することを示している。
  論文  参考訳（メタデータ） (2025-11-06T03:44:10Z)
• PrefixNLI: Detecting Factual Inconsistencies as Soon as They Arise [60.63315470285562]
  MiniTruePrefixesは、テキストプレフィックスよりも事実上の矛盾をよりよく検出する、新しい特殊モデルである。 制御されたデコードフレームワークにMiniTruePrefixesを組み込むことで,抽象的な要約における現実の一貫性が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-11-03T09:07:44Z)
• From Flows to Words: Can Zero-/Few-Shot LLMs Detect Network Intrusions? A Grammar-Constrained, Calibrated Evaluation on UNSW-NB15 [0.41998444721319217]
  大規模言語モデル(LLM)は自然言語入力を推論できるが、微調整なしでの侵入検出におけるそれらの役割は未だ不明である。 本研究では、各ネットワークフローをコンパクトなテキストレコードに変換し、軽量でドメインにインスパイアされたフラグで拡張することで、プロンプトオンリーなアプローチを評価する。 ゼロショット,命令誘導,スプリットショットを比較して,同一のスプリット下での強い神経ベースライン,精度,精度,リコール,F1,マクロスコアを比較した。
  論文  参考訳（メタデータ） (2025-10-18T02:11:50Z)
• RepreGuard: Detecting LLM-Generated Text by Revealing Hidden Representation Patterns [50.401907401444404]
  大規模言語モデル(LLM)は、誤用を防止し、信頼できるAIシステムを構築するために不可欠である。 本稿では,統計量に基づく効率的な検出手法であるRepreGuardを提案する。 実験結果から、RepreGuardは、平均94.92%のAUROCですべてのベースラインでID(in-distriion)とOOD(OOD)の両方のシナリオでパフォーマンスが向上していることが示された。
  論文  参考訳（メタデータ） (2025-08-18T17:59:15Z)
• Who Wrote This? The Key to Zero-Shot LLM-Generated Text Detection Is GECScore [51.65730053591696]
  我々は,人文テキストがLLM生成テキストよりも文法的誤りを多く含んでいるという観察に基づく,シンプルで効果的なブラックボックスゼロショット検出手法を提案する。 実験結果から,本手法はゼロショット法や教師あり手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-07T12:57:01Z)
• ASPIRO: Any-shot Structured Parsing-error-Induced ReprOmpting for Consistent Data-to-Text Generation [0.0]
  ASPIROは、構造化されたデータを0から数ショット設定で短いテンプレート文に変換するアプローチである。 従来の手法とは異なり、我々のアプローチは大規模言語モデルにエンティティに依存しないテンプレートを直接生成するよう促す。
  論文  参考訳（メタデータ） (2023-10-27T03:39:51Z)
• LeTI: Learning to Generate from Textual Interactions [60.425769582343506]
  本稿では,テキストインタラクション(LETI)から学習するLMの可能性を,バイナリラベルによる正当性をチェックするだけでなく,テキストフィードバックを通じて出力中のエラーをピンポイントし,説明する。 私たちの焦点はコード生成タスクであり、そこではモデルが自然言語命令に基づいてコードを生成する。 LETIは、目的のLMを用いて、自然言語命令、LM生成プログラム、テキストフィードバックの結合に基づいて、モデルを反復的に微調整する。
  論文  参考訳（メタデータ） (2023-05-17T15:53:31Z)
• DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature [143.5381108333212]
  大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。 次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。 我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
  論文  参考訳（メタデータ） (2023-01-26T18:44:06Z)

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。