論文の概要: FusionVul: A Multimodal Feature Fusion Framework for Source Code Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2606.08553v1
• Date: Sun, 07 Jun 2026 10:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.203078
• Title: FusionVul: A Multimodal Feature Fusion Framework for Source Code Vulnerability Detection
• Title（参考訳）: FusionVul: ソースコード脆弱性検出のためのマルチモーダル機能融合フレームワーク
• Authors: Hongyu Yang, Yaping Zhu, Jingchuan Luo, Hiroshi Nomaguchi, Chunhua Su, Willy Susilo,
• Abstract要約: FusionVulは、事前訓練されたTransformerエンコーダによって抽出された構文的シーケンシャルと、グラフニューラルネットワークを介して伝播される構造的意味を統合した表現学習フレームワークである。 SVulDやDiverseVulなど,関数サイズ分布の分散化や,より広範な脆弱性型カバレッジを備えたデータセット上で,FusionVulが優れたF1スコアを達成することを示す。
• 参考スコア（独自算出の注目度）: 31.751301969925915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source code vulnerability detection remains a long-standing challenge due to the increasing scale, structural complexity, and semantic diversity of modern codebases. Conventional static-analysis or rule-based approaches often fail to capture subtle execution dependencies, while single-modality learning models tend to overlook critical structural information embedded beyond the lexical surface of source code. To improve robustness across heterogeneous code patterns, we propose FusionVul, a joint representation learning framework that integrates sequential syntactic representations extracted by a pretrained Transformer encoder with structural semantics propagated through a graph neural network. The framework further incorporates a cross-attention-based feature fusion network to enable fine-grained cross-modal interaction and employs a sample-aware weighting mechanism to integrate multiple predictive branches. Experimental results on four datasets demonstrate that FusionVul achieves superior F1 scores on datasets with highly dispersed function size distributions and broader vulnerability-type coverage, such as SVulD and DiverseVul, reflecting its capability to capture complex and diverse vulnerability patterns.
• Abstract（参考訳）: ソースコードの脆弱性検出は、現代コードベースのスケール、構造的複雑さ、意味的な多様性が増大しているため、長年にわたる課題である。 従来の静的分析やルールベースのアプローチでは、微妙な実行依存をキャプチャできないことが多いが、単一モダリティ学習モデルは、ソースコードの語彙的な面を超えた重要な構造情報を見逃す傾向がある。 不均一なコードパターン間のロバスト性を改善するために,事前学習されたトランスフォーマーエンコーダによって抽出された逐次構文表現と,グラフニューラルネットワークを介して伝播する構造意味を統合した統合表現学習フレームワークFusionVulを提案する。 このフレームワークはさらに、クロスアテンションに基づく機能融合ネットワークを組み込んで、きめ細かいクロスモーダルインタラクションを可能にし、サンプル認識重み付け機構を使用して複数の予測ブランチを統合する。 4つのデータセットの実験結果から、FusionVulは、高度に分散した関数サイズの分布と、SVulDやDiverseVulのようなより広範な脆弱性タイプのカバレッジを持つデータセット上で、複雑なさまざまな脆弱性パターンをキャプチャする能力を反映して、優れたF1スコアを達成していることが示された。

関連論文リスト

• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• Towards Unified Semantic and Controllable Image Fusion: A Diffusion Transformer Approach [99.80480649258557]
  DiTFuseは命令駆動のフレームワークで、単一のモデル内でセマンティクスを意識した融合を実行する。 パブリックなIVIF、MFF、MEFベンチマークの実験では、より優れた量的および質的な性能、よりシャープなテクスチャ、より優れたセマンティック保持が確認されている。
  論文  参考訳（メタデータ） (2025-12-08T05:04:54Z)
• Multi-Scale Feature Fusion and Graph Neural Network Integration for Text Classification with Large Language Models [11.071281023081582]
  本研究では、大規模言語モデルからの深い特徴抽出、特徴ピラミッドによるマルチスケール融合、複雑な意味文脈における性能向上のためのグラフニューラルネットワークによる構造化モデリングを統合するテキスト分類のハイブリッド手法について検討する。 提案手法は, ACC, F1-Score, AUC, Precisionの既存モデルよりも優れたロバスト性アライメント実験において, 有効性と安定性を検証した。
  論文  参考訳（メタデータ） (2025-11-07T22:54:26Z)
• HFMF: Hierarchical Fusion Meets Multi-Stream Models for Deepfake Detection [4.908389661988192]
  HFMFは総合的な2段階のディープフェイク検出フレームワークである。 視覚変換器と畳み込みネットを階層的特徴融合機構を通じて統合する。 私たちのアーキテクチャは、多様なデータセットベンチマークで優れたパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-01-10T00:20:29Z)
• LayerMix: Enhanced Data Augmentation through Fractal Integration for Robust Deep Learning [1.786053901581251]
  ディープラーニングモデルは、アウト・オブ・ディストリビューション(OOD)のサンプルに直面すると、一貫したパフォーマンスを維持するのに苦労することが多い。 モデルロバスト性を体系的に強化する革新的なデータ拡張アプローチであるLayerMixを紹介する。 本手法は,ニューラルネットワークの一般化能力を大幅に向上させる意味論的一貫した合成サンプルを生成する。
  論文  参考訳（メタデータ） (2025-01-08T22:22:44Z)
• Single Image Reflection Separation via Component Synergy [14.57590565534889]
  反射重畳現象は複雑で、現実世界に広く分布している。 学習可能な残余項を導入することにより、重ね合わせモデルのより一般的な形式を提案する。 その利点をフルに活用するために,ネットワーク構造をさらに精巧に設計する。
  論文  参考訳（メタデータ） (2023-08-19T14:25:27Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。