論文の概要: Leveraging Large Language Models to Obscure Code Stylometry: A Comparative Study of GPT-3.5 and GPT-4

• arxiv url: http://arxiv.org/abs/2606.22306v1
• Date: Sun, 21 Jun 2026 02:19:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 19:12:31.236824
• Title: Leveraging Large Language Models to Obscure Code Stylometry: A Comparative Study of GPT-3.5 and GPT-4
• Title（参考訳）: GPT-3.5とGPT-4の比較検討
• Authors: Saman Pordanesh, Benjamin Tan,
• Abstract要約: GPT-3.5やGPT-4のような大規模言語モデル(LLM)はこの分野に新しい次元を導入した。 本研究は,コードスタイメトリーの変更におけるLLMの有効性について検討した。 その結果,シングルショット法とマルチショット法に有意な差が認められた。
• 参考スコア（独自算出の注目度）: 2.8492827625814363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the rapidly evolving field of software development, code stylometry analyzing unique stylistic signatures of programmers plays a crit-ical role in authorship attribution and cybersecurity. Recent advancements in artificial intelligence, particularly Large Language Models (LLMs) like GPT-3.5 and GPT-4, have introduced new dimensions to this field, challenging traditional stylometry techniques. This study investigates the effectiveness of LLMs in altering code stylometry while preserving functionality and evaluates the impact of various prompt engineering strategies. Through comprehensive experiments, we assess how well these models can obscure stylistic signatures to avoid detection by a Random Forest classifier trained for authorship attribution. The results reveal significant differences in effectiveness between single-shot and multi-shot methods and highlight the importance of detailed, structured prompts. Additionally, functionality preservation checks demonstrate the challenges in maintaining code integrity post-modification. This research provides critical insights into the robustness of authorship attribution techniques against advanced AI capabilities, informing future cybersecurity and software engineering developments
• Abstract（参考訳）: ソフトウェア開発の急速に発展する分野において、プログラマの独特なスタイリスティックなシグネチャを分析するコードスタイメトリーは、著者の帰属とサイバーセキュリティにおいて批判的な役割を担っている。 人工知能の最近の進歩、特に GPT-3.5 や GPT-4 のような大規模言語モデル(LLM)は、この分野に新しい次元を導入し、従来のスタイメトリー技術に挑戦している。 本研究は,コードスタイメトリーの変更におけるLLMの有効性について検討し,様々な迅速なエンジニアリング戦略の効果を評価する。 総合的な実験を通じて、著者帰属のために訓練されたランダムフォレスト分類器による検出を避けるために、これらのモデルがいかにスタイリスティックなシグネチャを曖昧にするかを評価する。 その結果,シングルショット法とマルチショット法とでは有効性に有意な差が見られ,詳細な構造化プロンプトの重要性が浮き彫りになった。 さらに、機能の保存チェックは、修正後のコードの完全性を維持する上での課題を示している。 この研究は、先進的なAI能力に対する著者帰属技術の堅牢性に関する重要な洞察を与え、将来のサイバーセキュリティとソフトウェアエンジニアリング開発を知らせる。

関連論文リスト

• An Empirical Evaluation of LLM-Generated Code Security Across Prompting Methods [11.454777386934632]
  自動コード生成のための大規模言語モデル(LLM)は、ソフトウェア開発の効率を向上するが、しばしばセキュリティの犠牲になる。 5つのLLMおよび4つのプログラミング言語にわたるLLM生成コードのセキュリティ品質を総合的に評価する。 モデル推論を導くために,CWEマッピングを用いてセキュリティコンテキストでプロンプトを充実させる手法として,弱点を意識したゼロショット・チェーン・オブ・ソート(WA-0CoT)を導入する。
  論文  参考訳（メタデータ） (2026-05-22T23:52:33Z)
• From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
  大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。 コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。 一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
  論文  参考訳（メタデータ） (2025-11-23T17:09:34Z)
• Ensembling Large Language Models for Code Vulnerability Detection: An Empirical Evaluation [69.8237598448941]
  本研究では,ソースコードの脆弱性検出において,Large Language Models(LLM)の性能を高めるためのアンサンブル学習の可能性を検討する。 脆弱性検出に適したスタック機能であるDynamic Gated Stacking (DGS)を提案する。
  論文  参考訳（メタデータ） (2025-09-16T03:48:22Z)
• A Survey on Code Generation with LLM-based Agents [61.474191493322415]
  大規模言語モデル(LLM)を利用したコード生成エージェントは、ソフトウェア開発パラダイムに革命をもたらしている。 LLMは3つのコア特徴によって特徴づけられる。 本稿では,LLMに基づくコード生成エージェントの分野を体系的に調査する。
  論文  参考訳（メタデータ） (2025-07-31T18:17:36Z)
• Reassessing Code Authorship Attribution in the Era of Language Models [12.590406993068523]
  本研究の目的は,コードサンプルの作成者を特定するためのコーディングスタイルの分析である。 コードオーサシップ・アトリビューション(CAA)は、サイバーセキュリティとソフトウェアにおいて、盗作行為に対処し、検出し、刑事訴追をサポートするために不可欠である。
  論文  参考訳（メタデータ） (2025-06-20T16:19:30Z)
• SIaM: Self-Improving Code-Assisted Mathematical Reasoning of Large Language Models [54.78329741186446]
  本稿では,コードに基づく批判モデルを用いて,質問コードデータ構築,品質管理,補完的評価などのステップをガイドする新しいパラダイムを提案する。 英語と中国語におけるドメイン内ベンチマークとドメイン外ベンチマークの両方の実験は、提案したパラダイムの有効性を実証している。
  論文  参考訳（メタデータ） (2024-08-28T06:33:03Z)
• Unleashing the potential of prompt engineering for large language models [1.6006550105523192]
  大規模言語モデル(LLM)の能力を解き放つ上で,迅速なエンジニアリングが果たす重要な役割を概観する 自己整合性、思考の連鎖、そして生成された知識などの技術を含む、素早い工学の基礎的方法論と先進的な方法論の両方を検査する。 AIセキュリティの側面、特に迅速なエンジニアリングの脆弱性を悪用する敵攻撃について論じる。
  論文  参考訳（メタデータ） (2023-10-23T09:15:18Z)

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。