論文の概要: MARGIN: Margin-Aware Regularized Geometry for Imbalanced Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2605.10240v1
• Date: Mon, 11 May 2026 09:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.681489
• Title: MARGIN: Margin-Aware Regularized Geometry for Imbalanced Vulnerability Detection
• Title（参考訳）: MARGIN:不均衡脆弱性検出のためのMargin-Aware Regularized Geometry
• Authors: Yuteng Zhang, Huifang Ma, Jiahui Wei, Qingqing Li, Yafei Yang,
• Abstract要約: 本稿では,識別的脆弱性表現を学習するメトリクスベースのフレームワークであるMARGINを提案する。 公開脆弱性データセットの実験は、MARGINが強いベースラインを一貫して上回っていることを示している。 MarGINはより構造化された埋め込みジオメトリを生成し、堅牢性、解釈可能性、一般化を改善している。
• 参考スコア（独自算出の注目度）: 14.50475543022229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software vulnerability detection is critical for ensuring software security and reliability. Despite recent advances in deep learning, real-world vulnerability datasets suffer from two severe challenges: frequency imbalance and difficulty imbalance. We reinterpret these challenges from an embedding geometry perspective, observing that such imbalances induce geometric distortions in hyperspherical representation space. To address this issue, we propose MARGIN, a metric-based framework that learns discriminative vulnerability representations through adaptive margin metric learning and hyperspherical prototype modeling. MARGIN dynamically adjusts geometric regularization according to the distribution structure estimated by the von Mises-Fisher concentration, aligning the probability mass of embedding distributions with their corresponding Voronoi cells, thereby reducing geometric distortion and yielding more stable decision boundaries. Extensive experiments on public vulnerability datasets show that MARGIN consistently outperforms strong baselines, achieving notable improvements in classification and detection, especially on challenging, imbalanced datasets. Further analysis demonstrates that MARGIN produces more structured embedding geometries, improving robustness, interpretability, and generalization.
• Abstract（参考訳）: ソフトウェアの脆弱性検出は、ソフトウェアのセキュリティと信頼性を確保するために重要である。 近年のディープラーニングの進歩にもかかわらず、現実世界の脆弱性データセットには、周波数不均衡と困難不均衡という2つの深刻な課題がある。 我々はこれらの課題を埋め込み幾何学の観点から再解釈し、そのような不均衡が超球面表現空間における幾何学的歪みを引き起こすことを観察する。 この問題に対処するために、適応的マージン計量学習と超球面プロトタイプモデリングにより識別的脆弱性表現を学習する計量ベースのフレームワークであるMARGINを提案する。 MARGINは、von Mises-Fisher濃度によって推定される分布構造に従って、幾何学的正則化を動的に調整し、埋め込み分布の確率質量を対応するボロノイ細胞と整列させ、幾何学的歪みを低減し、より安定した決定境界を得る。 公開脆弱性データセットに関する大規模な実験は、MARGINが強いベースラインを一貫して上回り、特に困難で不均衡なデータセットにおいて、分類と検出において顕著な改善を達成していることを示している。 さらなる分析により、MARGINはより構造化された埋め込みジオメトリを生成し、ロバスト性、解釈可能性、一般化を改善することが示されている。

関連論文リスト

• Margin and Consistency Supervision for Calibrated and Robust Vision Models [1.0152838128195467]
  Margin and Consistency Supervision (MaCS)は、アーキテクチャに依存しないシンプルな正規化フレームワークである。 MACSはロジト空間分離と局所予測安定性を共同で実施する。 我々は,リプシッツ型安定性プロキシにより定式化された局所感度を低下させながら,分類マージンを増大させることにより,一般化の保証が向上することを示した。
  論文  参考訳（メタデータ） (2026-03-06T01:54:28Z)
• MASPO: Unifying Gradient Utilization, Probability Mass, and Signal Reliability for Robust and Sample-Efficient LLM Reasoning [16.012761588513026]
  Reinforcement Learning with Verifiable Rewards (RLVR)アルゴリズムは、剛性、均一性、および対称性のある信頼領域機構に依存している。 本稿では,これらの3次元を調和させる統合フレームワークであるMass-Adaptive Soft Policy Optimization (MASPO)を提案する。 MASPOは、勾配ユーティリティを最大化するために、微分可能なソフトガウスゲーティングと、確率スペクトル間の探索のバランスをとる質量適応リミッタと、信号の信頼性を調整するための非対称リスクコントローラを統合している。
  論文  参考訳（メタデータ） (2026-02-19T17:05:20Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
  点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
  論文  参考訳（メタデータ） (2026-01-03T14:58:52Z)
• Point-level Uncertainty Evaluation of Mobile Laser Scanning Point Clouds [4.164044593574969]
  本研究では,点レベルの不確実性評価のための機械学習に基づくフレームワークを提案する。 局所幾何学的特徴と点レベルの誤差の関係を学習する。 実験により,両モデルが幾何特性と不確実性の間の非線形関係を効果的に捉えることができることを示した。
  論文  参考訳（メタデータ） (2025-10-24T21:30:52Z)
• Breaking the Black Box: Inherently Interpretable Physics-Constrained Machine Learning With Weighted Mixed-Effects for Imbalanced Seismic Data [0.4078247440919473]
  地動モデル(GMM)は地震のリスク軽減とインフラ設計に重要である。 既存の機械学習ベースのGMMは"ブラックボックス"として動作し、エンジニアリング上の決定に対する信頼性を損なう不透明さを生み出す。 本研究では,新規なHazBinLossと整合正則化を用いた独立付加経路を用いた本質的に解釈可能なニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2025-08-26T13:48:09Z)
• Sample Margin-Aware Recalibration of Temperature Scaling [20.87493013833571]
  近年のディープラーニングの進歩は予測精度を大幅に改善した。 現代のニューラルネットワークは体系的に過信され、安全クリティカルなシナリオに展開するリスクを生じさせる。 本稿では,上位2つのロジット間のマージンに基づいて,ロジットを正確にスケールする軽量でデータ効率の高いリカバリ手法を提案する。
  論文  参考訳（メタデータ） (2025-06-30T03:35:05Z)
• Benchmarking the Spatial Robustness of DNNs via Natural and Adversarial Localized Corruptions [49.546479320670464]
  本稿では,セグメンテーションモデルの空間的ロバスト性を評価するための特別な指標を紹介する。 本稿では,モデルロバスト性をより深く理解する手法として,地域対応型マルチアタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック分析を提案する。 その結果、モデルがこれらの2種類の脅威に異なる反応を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2025-04-02T11:37:39Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Position-aware Structure Learning for Graph Topology-imbalance by Relieving Under-reaching and Over-squashing [67.83086131278904]
  トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。 PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。 私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
  論文  参考訳（メタデータ） (2022-08-17T14:04:21Z)
• Heteroskedastic and Imbalanced Deep Learning with Adaptive Regularization [55.278153228758434]
  実世界のデータセットはヘテロスケダティックで不均衡である。 ヘテロスケダスティック性と不均衡を同時に扱うことは、未発見である。 本稿ではヘテロスケダスティックデータセットに対するデータ依存正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:09:50Z)

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。