論文の概要: LLM-Enhanced Hierarchical Heterogeneous Graph Representation Learning for Malicious Python Package Detection
- arxiv url: http://arxiv.org/abs/2607.03350v1
- Date: Fri, 03 Jul 2026 14:05:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.596918
- Title: LLM-Enhanced Hierarchical Heterogeneous Graph Representation Learning for Malicious Python Package Detection
- Title（参考訳）: LLMによる悪性Pythonパッケージ検出のための階層的不均一グラフ表現学習
- Abstract要約: 悪意あるPythonパッケージは、ソフトウェアサプライチェーンエコシステムにとって大きな脅威となっている。
大規模言語モデル(LLM)は、コード理解と意味論的推論において強力な能力を示している。
悪意のあるPythonパッケージ検出のためのLLM拡張型階層的不均一グラフ表現学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 17.848448658813762
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Malicious Python packages have become a major threat to software supply chain ecosystems due to the widespread adoption of open-source repositories such as PyPI. Existing learning-based detection methods struggle to capture the hierarchical organization and heterogeneous interactions among different program entities. Although Large Language Models (LLMs) have demonstrated strong capabilities in code understanding and semantic reasoning, they are rarely integrated with structural program representations for fine-grained malicious behavior analysis. In this paper, we propose an LLM-enhanced hierarchical heterogeneous graph representation learning framework for malicious Python package detection. The framework constructs a hierarchical heterogeneous code graph that explicitly models heterogeneous code entities and different types of structural dependencies. LLMs are further leveraged to infer function-level semantic roles, introducing an additional layer of semantic heterogeneity. Based on this graph, we develop a hierarchical heterogeneous graph neural network that performs type-aware message passing over different node and edge categories, effectively modeling malicious behavior propagation for accurate package-level classification. The framework also incorporates a function-level attribution mechanism which, combined with LLM reasoning, automatically identifies suspicious functions and localizes fine-grained malicious behaviors without human expert intervention. Extensive experiments on real-world datasets show that our framework consistently outperforms traditional machine learning methods, graph-based detectors, and state-of-the-art LLMs across packages with varying sizes and dependency complexities, while providing accurate, robust, and interpretable malicious behavior localization.
- Abstract（参考訳）: 悪意あるPythonパッケージは、PyPIなどのオープンソースリポジトリが広く採用されているため、ソフトウェアサプライチェーンエコシステムにとって大きな脅威となっている。
既存の学習に基づく検出手法は、プログラム間の階層構造や異種相互作用を捉えるのに苦労する。
LLM(Large Language Models)は、コード理解やセマンティック推論において強力な能力を示しているが、微粒な悪意のある振る舞い分析のための構造的プログラム表現と統合されることは稀である。
本稿では,悪意のあるPythonパッケージ検出のためのLLM拡張型階層型ヘテロジニアスグラフ表現学習フレームワークを提案する。
このフレームワークは階層的な異種コードグラフを構築し、異種コードエンティティと異なるタイプの構造的依存関係を明示的にモデル化する。
LLMは機能レベルのセマンティックな役割を推論するためにさらに活用され、セマンティックな異質性の付加層が導入された。
このグラフに基づいて、異なるノードとエッジカテゴリにまたがるタイプ認識メッセージパッシングを行う階層的な異種グラフニューラルネットワークを開発し、パッケージレベルの正確な分類のために、悪意ある振る舞いの伝搬を効果的にモデル化する。
このフレームワークはまた、LLM推論と組み合わさって、疑わしい機能を自動的に識別し、人間の専門家の介入なしにきめ細かい悪意のある振る舞いをローカライズする機能レベルの属性機構も組み込んでいる。
実世界のデータセットに関する大規模な実験により、我々のフレームワークは、さまざまなサイズと依存性の複雑さを持つパッケージをまたいだ従来の機械学習手法、グラフベースの検出器、最先端のLCMを一貫して上回り、正確で堅牢で解釈可能な悪意のある振る舞いローカライゼーションを提供しています。
関連論文リスト
- Learning Taxonomic Trees with Hierarchical Representation Regularization for Large Multimodal Models [47.868429337792314]
大規模なマルチモーダルモデル(LMM)は、しばしば分類学的な知識が欠如しており、階層的視覚認識(HVR)の一貫性が低い。
LMMにおける階層整合性を改善するシンプルなプラグアンドプレイ正規化器である階層表現正規化(HiR2$)を提案する。
HiR2$は、様々なLMMと微調整方法の分類構造を効果的にキャプチャする。
論文 参考訳（メタデータ） (2026-07-03T03:16:41Z) - OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。
現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。
自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
論文 参考訳（メタデータ） (2026-01-19T12:23:44Z) - Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。
グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。
グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
論文 参考訳（メタデータ） (2026-01-13T03:35:18Z) - Towards Efficient LLM-aware Heterogeneous Graph Learning [47.42705995672551]
ヘテロジニアスグラフのための効率的なLLM-Awareフレームワークを提案する。
提案するELAは,性能と効率において最先端の手法より優れている。
論文 参考訳（メタデータ） (2025-11-22T05:38:03Z) - Explaining Fine Tuned LLMs via Counterfactuals A Knowledge Graph Driven Framework [13.533352973355013]
Low-Rank Adaptation (LoRA)は、大きな言語モデルでドメイン固有の知識を驚くほど効率よく取得することを可能にする。
本研究は,知識グラフを基盤としたファクトファクトを介し,微調整 LLM を記述した新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-25T14:37:40Z) - Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference [7.817259532290553]
大規模言語モデル(LLM)は、テキストリッチなグラフ機械学習タスクにますます利用されている。
関心の高まりにもかかわらず、この分野はグラフデータとの相互作用におけるLLMの能力の原則的な理解を欠いている。
論文 参考訳（メタデータ） (2025-09-23T00:46:21Z) - GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。
抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。
提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文 参考訳（メタデータ） (2025-09-20T02:38:00Z) - Hierarchical knowledge guided fault intensity diagnosis of complex industrial systems [9.830457900441939]
本稿では,階層的知識に基づく断層強度診断フレームワーク(HKG)を提案する。
HKGはグラフ畳み込みネットワークを用いて、クラス表現の階層的トポロジカルグラフを大域的階層的分類器の集合にマッピングする。
さらに,クラス間の階層的知識をデータ駆動型統計相関行列に埋め込むことにより,再重み付き階層的知識相関行列(Re-HKCM)を作成する。
論文 参考訳（メタデータ） (2025-08-17T14:22:03Z) - Explainable Attention-Guided Stacked Graph Neural Networks for Malware Detection [2.6436521007616114]
本稿では,グラフベースのマルウェア検出と説明のための新しいスタックングアンサンブルフレームワークを提案する。
本フレームワークは,マルウェアの行動に関する洞察に富んだ解釈を提供しながら,分類性能を向上させる。
論文 参考訳（メタデータ） (2025-08-13T13:33:02Z) - Use All The Labels: A Hierarchical Multi-Label Contrastive Learning
Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。
比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文 参考訳（メタデータ） (2022-04-27T21:41:44Z)
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。