論文の概要: Detecting Vulnerability-Inducing Commits via Multi-Stage Reasoning with LLM-Based Agents

• arxiv url: http://arxiv.org/abs/2607.05772v1
• Date: Tue, 07 Jul 2026 02:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.374075
• Title: Detecting Vulnerability-Inducing Commits via Multi-Stage Reasoning with LLM-Based Agents
• Title（参考訳）: LLMエージェントを用いたマルチステージ推論による脆弱性誘発コミートの検出
• Abstract要約: VIC-RAGENTは、効果的かつ説明可能な脆弱性検出のためのマルチエージェントフレームワークである。 特殊なエージェントを使用して、構造解析、意図理解、脆弱性検査などの補完的な視点を提供する。 Direct、CoT、CodeAgentなどのベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 18.673118303783188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting vulnerability-inducing commits (VICs) at submission time is critical for improving the security and reliability of software systems. However, this task is highly challenging because it requires reasoning about the semantic impact of code changes from heterogeneous information sources, including code diffs, commit messages, and the surrounding contextual code. Existing approaches often struggle to fully capture these complex interactions, resulting in limited detection performance. In this paper, we propose VIC-RAGENT, an LLM-based multi-agent framework for effective and explainable vulnerability detection. VIC-RAGENT leverages multiple specialized agents to provide complementary perspectives, including structural analysis, intent understanding, and vulnerability inspection. To further improve detection reliability, the framework employs a multi-stage reasoning process that progressively refines candidate vulnerabilities through preliminary inspection, reanalysis, and a final decision stage. Experimental results on a real-world dataset across multiple LLMs demonstrate that VIC-RAGENT consistently outperforms baselines, including Direct, CoT, and CodeAgent. Compared to the strongest baseline, VIC-RAGENT achieves 1.2-1.7x higher F1-scores across different models. Overall, VIC-RAGENT offers a robust, explainable, and practical solution for detecting VICs in modern software development workflows.
• Abstract（参考訳）: ソフトウェアシステムのセキュリティと信頼性を改善するためには,脆弱性誘発コミット(VIC)の検出が重要である。 しかし、このタスクは、コード差分、コミットメッセージ、周囲のコンテキストコードを含む異種情報ソースからのコード変更のセマンティックな影響を推論する必要があるため、非常に難しい。 既存のアプローチはしばしばこれらの複雑な相互作用を完全に捉えるのに苦労し、検出性能は制限される。 本稿では,LLMベースのマルチエージェントフレームワークであるVIC-RAGENTを提案する。 VIC-RAGENTは、構造解析、意図理解、脆弱性検査を含む補完的な視点を提供するために、複数の特殊エージェントを活用する。 検出信頼性をさらに向上するため、このフレームワークでは、予備検査、再分析、最終決定段階を通じて、候補脆弱性を段階的に洗練する多段階推論プロセスを採用している。 複数のLLMにわたる実世界のデータセットの実験結果は、VIC-RAGENTがDirect、CoT、CodeAgentなどの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。 最強のベースラインと比較すると、VIC-RAGENTは異なるモデル間で1.2-1.7倍高いF1スコアを達成する。 全体として、VIC-RAGENTは、現代のソフトウェア開発ワークフローでVICを検出するための堅牢で説明可能な実用的なソリューションを提供する。

関連論文リスト

• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection [76.91230292971115]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は複雑なタスクを解く上で強力な能力を示している。 XG-Guardは、MAS内の悪意のあるエージェントを検出するための、説明可能な、きめ細かい保護フレームワークである。
  論文  参考訳（メタデータ） (2025-12-21T13:46:36Z)
• 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)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• Improving vulnerability type prediction and line-level detection via adversarial training-based data augmentation and multi-task learning [10.375389754684905]
  MTL(Multi-task Learning)とEDAT( Embedding-Layer-Driven Adversarial Training)を統合する統一的なアプローチを提案する。 提案手法は,VTP(Vulnerability Type Prediction)タスクとLVD(Line-level Vulnerability Detection)タスクの両方において,最先端のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2025-06-30T05:47:09Z)
• Context-Enhanced Vulnerability Detection Based on Large Language Model [17.922081397554155]
  本稿では,プログラム解析と大規模言語モデルを組み合わせたコンテキスト強化型脆弱性検出手法を提案する。 具体的には、プログラム分析を用いて、様々なレベルの抽象レベルで文脈情報を抽出し、無関係なノイズを除去する。 私たちのゴールは、脆弱性を正確に捉え、不要な複雑さを最小限に抑えるのに十分な詳細を提供することのバランスを取ることです。
  論文  参考訳（メタデータ） (2025-04-23T16:54:16Z)
• Benchmarking LLMs and LLM-based Agents in Practical Vulnerability Detection for Code Repositories [8.583591493627276]
  JitVulは、各関数をその脆弱性導入とコミットの修正にリンクする脆弱性検出ベンチマークである。 思考・行動・観察と相互言語的文脈を活用するReAct Agentsは,良性のあるコードと区別する上で,LLMよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2025-03-05T15:22:24Z)
• M2CVD: Enhancing Vulnerability Semantic through Multi-Model Collaboration for Code Vulnerability Detection [52.4455893010468]
  大規模言語モデル(LLM)は、コード理解において強力な能力を持つが、微調整コストとセマンティックアライメントの問題により、プロジェクト固有の最適化が制限される。 CodeBERTのようなコードモデルは微調整が容易であるが、複雑なコード言語から脆弱性のセマンティクスを学ぶことはしばしば困難である。 本稿では,M2CVD(Multi-Model Collaborative Vulnerability Detection)手法を提案する。
  論文  参考訳（メタデータ） (2024-06-10T00:05:49Z)
• Large Language Model-Powered Smart Contract Vulnerability Detection: New Perspectives [8.524720028421447]
  本稿では, GPT-4 のような大規模言語モデル (LLM) を利用する機会, 課題, 潜在的な解決策を体系的に分析する。 高いランダム性でより多くの答えを生成することは、正しい答えを生み出す可能性を大幅に押し上げるが、必然的に偽陽性の数が増加する。 本稿では,GPTLens と呼ばれる,従来の一段階検出を2つの相乗的段階に分割し,生成と識別を行う逆方向のフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-02T12:37:23Z)

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。