論文の概要: Detection of LLM-assisted Code Plagiarism Using k-gram Software Birthmarks

• arxiv url: http://arxiv.org/abs/2607.03014v1
• Date: Fri, 03 Jul 2026 06:49:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 13:10:10.591303
• Title: Detection of LLM-assisted Code Plagiarism Using k-gram Software Birthmarks
• Title（参考訳）: k-gram Software Birthmarks を用いたLLM支援符号プラジャリズムの検出
• Abstract要約: 大規模言語モデル(LLM)は、ソフトウェア盗作に対する技術的な障壁を著しく下げている。 LLMは、従来の盗作検出技術を回避できる意味論的に同一のプログラムを生成することができる。 本稿では,LDM支援プラジャリスムをソフトウェア開発者が検出できるかどうかについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have significantly lowered the technical barrier to software plagiarism. By transforming existing source code while preserving its functionality, modern LLMs can generate semantically identical program that may evade traditional plagiarism detection techniques. Among such attacks, code paraphrasing modifies the syntax and structure of a program while preserving its behavior. This paper investigates whether software birthmarks can detect such LLM-assisted plagiarism. As a starting point, we employ k-gram software birthmarks based on unique k-grams of Java opcodes, with k ranging from 1 to 6. We employ three contemporary LLMs: ChatGPT-5.1-Codex-Mini, DeepSeek-V4-Flash, and Claude-Haiku-4.5. The dataset consists of individually compilable source files extracted from actively maintained BSD-2-Clause licensed Java projects. We further compare five similarity measures for birthmark matching: cosine similarity, Dice index, Jaccard coefficient, Simpson index, and edit-distance-based similarity. The results demonstrate that k-gram software birthmarks remain effective for detecting LLM-assisted plagiarism. Among the evaluated models, ChatGPT-5.1-Codex-Mini generated the most difficult-to-detect clones. Furthermore, the findings confirm the higher performance of coding-oriented models for plagiarism task.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ソフトウェア盗作に対する技術的な障壁を著しく下げている。 既存のソースコードをその機能を維持しながら変換することで、現代のLLMは、従来の盗作検出技術を避けることができる意味論的に同一のプログラムを生成することができる。 このような攻撃の中で、コードパラフレーズはプログラムの振舞いを保ちながら、プログラムの構文と構造を変更する。 本稿では,LDM支援プラジャリスムをソフトウェア開発者が検出できるかどうかについて検討する。 出発点として、k は 1 から 6 までの範囲で、Java のユニークな k-gram の k-gram をベースとした k-gram のソフトウェアライヴマークを採用しています。 現在、ChatGPT-5.1-Codex-Mini、DeepSeek-V4-Flash、Claude-Haiku-4.5の3つのLLMを使用している。 このデータセットは、BSD-2-ClauseライセンスのJavaプロジェクトから抽出された、個別にコンパイル可能なソースファイルで構成されている。 さらに,コサイン類似度,Dice指標,Jaccard係数,シンプソン指標,編集距離ベース類似度という5つの類似度尺度を比較した。 以上の結果から, k-gram Software birthmarks は LLM 支援プラギアリズムの検出に有効であることが示唆された。 評価されたモデルの中で、ChatGPT-5.1-Codex-Miniは最も難しいクローンを生成する。 さらに, 盗作作業における符号化指向モデルの性能向上も確認した。

関連論文リスト

• Vulnerable Code Search: Transferable Attack for Code Language Models [9.326008120835938]
  我々は、このCLM脆弱性を利用するプログラミング言語に依存しない、転送可能な、敵攻撃を導入する。 我々のアプローチは、スニペットの機能を変更せずにコードスニペット内の識別子を摂動させ、ターゲットクエリにコードを調整する。
  論文  参考訳（メタデータ） (2026-08-26T17:11:36Z)
• Disappearing Ink: Obfuscation Breaks N-gram Code Watermarks in Theory and Practice [23.788321123219244]
  人間が書いたコードからAI生成コードを識別することは、著者の帰属、コンテンツ追跡、誤用検出に不可欠である。 N-gramベースの透かしは、世代中に検出される秘密の透かしを注入する顕著な方法として出現している。 ほとんどのクレームは、攻撃のシミュレーションとして単純なコード変換やコードの最適化に対する防御にのみ依存しています。
  論文  参考訳（メタデータ） (2025-07-07T22:18:19Z)
• Your Language Model Can Secretly Write Like Humans: Contrastive Paraphrase Attacks on LLM-Generated Text Detectors [77.82885394684202]
  テキスト検出を効果的に欺く訓練不要な方法である textbfContrastive textbfParaphrase textbfAttack (CoPA) を提案する。 CoPAは、大規模言語モデルによって生成される人間のような分布とは対照的に、補助的な機械的な単語分布を構築している。 我々の理論的分析は、提案された攻撃の優越性を示唆している。
  論文  参考訳（メタデータ） (2025-05-21T10:08:39Z)
• PlagBench: Exploring the Duality of Large Language Models in Plagiarism Generation and Detection [26.191836276118696]
  46.5Kの合成テキストペアのデータセットである textbfsf PlagBench を紹介する。 PlagBenchは、きめ細かい自動評価と人間のアノテーションを組み合わせることで検証される。 GPT-3.5 Turbo は GPT-4 Turbo と比較してテキストの複雑さを著しく増大させることなく高品質なパラフレーズや要約を生成できることを示す。
  論文  参考訳（メタデータ） (2024-06-24T03:29:53Z)
• Uncovering LLM-Generated Code: A Zero-Shot Synthetic Code Detector via Code Rewriting [78.48355455324688]
  原符号とLLM書き換え版との類似性に基づく新しいゼロショット合成符号検出器を提案する。 以上の結果から,既存のSOTA合成コンテンツ検出装置よりも顕著な改善が得られた。
  論文  参考訳（メタデータ） (2024-05-25T08:57:28Z)
• CodeIP: A Grammar-Guided Multi-Bit Watermark for Large Language Models of Code [56.019447113206006]
  大規模言語モデル(LLM)はコード生成において顕著な進歩を遂げた。 CodeIPは、新しいマルチビット透かし技術で、出所の詳細を保持するために追加情報を挿入する。 5つのプログラミング言語にまたがる実世界のデータセットで実施された実験は、CodeIPの有効性を実証している。
  論文  参考訳（メタデータ） (2024-04-24T04:25:04Z)
• Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
  本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。 既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。 本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
  論文  参考訳（メタデータ） (2023-10-08T10:08:21Z)
• Towards Codable Watermarking for Injecting Multi-bits Information to LLMs [86.86436777626959]
  大規模言語モデル(LLM)は、流布とリアリズムを増大させるテキストを生成する。 既存の透かし方式はエンコーディング非効率であり、多様な情報エンコーディングニーズに柔軟に対応できない。 テキスト透かしを複数ビットでカスタマイズ可能な情報を運ぶことができるCTWL (Codable Text Watermarking for LLMs) を提案する。
  論文  参考訳（メタデータ） (2023-07-29T14:11:15Z)
• Machine Learning-Aided Efficient Decoding of Reed-Muller Subcodes [59.55193427277134]
  Reed-Muller (RM) 符号は、一般的なバイナリインプットメモリレス対称チャネルの容量を達成する。 RM符号は制限されたレートのみを許容する。 効率的なデコーダは、RM符号に対して有限長で利用可能である。
  論文  参考訳（メタデータ） (2023-01-16T04:11:14Z)

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。