論文の概要: CoGate: Confidence-Gated Co-Decoding for Secure Code Generation

• arxiv url: http://arxiv.org/abs/2607.28529v1
• Date: Thu, 30 Jul 2026 17:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.685147
• Title: CoGate: Confidence-Gated Co-Decoding for Secure Code Generation
• Title（参考訳）: CoGate: セキュアなコード生成のための信頼性重視のコデコーディング
• Abstract要約: 本稿では,その信頼度に基づいて,専門家のコデコーディングプロセスへの影響を制御できる信頼度付きコデコーディング手法を提案する。 提案手法は,複数のベンチマークで既存のココード手法(CoSec+)より優れている。
• 参考スコア（独自算出の注目度）: 13.805072106442042
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Large language models are widely used for code generation, but they can also produce insecure programs due to patterns learned from their pretraining data. Decoding-time steering has become an important solution to this problem: a small expert model is combined with the target model at each step to generate more secure code, which is referred to as co-decoding. However, the acceptance rule for existing co-decoding approaches does not consider the expert model's confidence. When the security expert is unconfident due to unseen patterns or out-of-distribution (OOD) contexts, its guidance can therefore be misleading. To address the challenge, we propose CoGate, a confidence-gated co-decoding approach that controls the expert's influence on the co-decoding process based on its confidence. We implement our approach and evaluate it across multiple LLM backends (CodeGen, DeepSeek-Coder, Qwen-Coder, StarCoder) on several code generation benchmarks (HumanEval, security suite, and CWEval). Our approach outperforms existing co-decoding methods (CoSec+) across multiple benchmarks, achieving up to a 12.6% gain of Func-Sec@10 on CWEval.
• Abstract（参考訳）: 大規模言語モデルは、コード生成に広く使用されているが、事前学習データから学んだパターンのために、安全でないプログラムを生成することもできる。 小型のエキスパートモデルと各ステップのターゲットモデルを組み合わせて、よりセキュアなコードを生成する。 しかし、既存の共コーディングアプローチの受け入れルールは、エキスパートモデルの信頼性を考慮していない。 セキュリティの専門家が、目に見えないパターンやアウト・オブ・ディストリビューション(OOD)のコンテキストのために信頼できない場合、そのガイダンスは誤解を招く可能性がある。 この課題に対処するため、我々は、信頼度に基づいて、専門家のココーディングプロセスへの影響を制御する、自信に満ちたココーディングアプローチであるCoGateを提案する。 我々は、いくつかのコード生成ベンチマーク(HumanEval、セキュリティスイート、CWEval)上で、アプローチを実装し、複数のLCMバックエンド(CodeGen、DeepSeek-Coder、Qwen-Coder、StarCoder)で評価します。 CWEvalではFunc-Sec@10が最大12.6%向上した。

関連論文リスト

• Functional and Secure Code Generation with Task Vectors [7.757776817999749]
  大きな言語モデル(LLM)は、コード生成にますます使われていますが、セキュリティ上の脆弱性のない機能的なコードを生成するのに苦労しています。 我々は,タスクベクトルを利用して,機能的かつセキュアな信頼性の高いコードを生成する新しい方法SecVecCoderを開発した。
  論文  参考訳（メタデータ） (2026-07-08T19:32:22Z)
• CoRe-Code: Collaborative Reinforcement Learning for Code Generation [13.697928927084037]
  大規模言語モデル(LLM)はコード生成において高いパフォーマンスを達成しているが、ほとんどのメソッドはグローバル計画なしで自動回帰デコーディングに依存している。 エージェント間協調を強化し,より正確かつ効率的なコードを生成する,特殊なLLMエージェントのためのフレームワークである協調強化コード(CoRe-Code)を提案する。
  論文  参考訳（メタデータ） (2026-05-24T01:47:30Z)
• Security-by-Design for LLM-Based Code Generation: Leveraging Internal Representations for Concept-Driven Steering Mechanisms [6.049331537822609]
  大きな言語モデル(LLM)は、自然言語を理解し、複雑なコードを生成する際、顕著な能力を示す。 調査によると、CodeLLMsは機能的に正しいが安全でないコードを頻繁に生成し、重大なセキュリティリスクを生じさせる。 我々は,LLMの内部表現をセキュアかつ機能的なコード出力にステアリングする,CodeLLMs (SCS-Code) のセキュア概念ステアリングを提案する。
  論文  参考訳（メタデータ） (2026-03-11T18:28:06Z)
• SecCodePRM: A Process Reward Model for Code Security [18.20834502693226]
  SecCodePRMは、コンテキスト対応のステップレベルのセキュリティスコアをコード軌道に沿って割り当てるプロセス報酬モデルである。 フルコード脆弱性検出(VD)、部分コードVD、セキュアコード生成(CG)の3つのアプリケーションがある。
  論文  参考訳（メタデータ） (2026-02-11T02:00:19Z)
• Secure Code Generation via Online Reinforcement Learning with Vulnerability Reward Model [60.60587869092729]
  大規模言語モデル(LLM)は、ソフトウェア開発でますます使われているが、安全でないコードを生成する傾向は、現実世界のデプロイメントにとって大きな障壁である。 機能保存型セキュアコード生成のためのオンライン強化学習フレームワークSecCoderXを提案する。
  論文  参考訳（メタデータ） (2026-02-07T07:42:07Z)
• RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories [58.32028251925354]
  LLM(Large Language Models)は、コード生成において顕著な能力を示しているが、セキュアなコードを生成する能力は依然として重要で、未調査の領域である。 我々はRealSec-benchを紹介します。RealSec-benchは、現実世界の高リスクなJavaリポジトリから慎重に構築されたセキュアなコード生成のための新しいベンチマークです。
  論文  参考訳（メタデータ） (2026-01-30T08:29:01Z)
• Scaling Code-Assisted Chain-of-Thoughts and Instructions for Model Reasoning [65.20602712957725]
  Cacoは、高品質で検証可能な多様な命令-CoT推論データの合成を自動化する新しいフレームワークである。 我々の研究は、人間の介入なしに自己持続的で信頼できる推論システムを構築するためのパラダイムを確立します。
  論文  参考訳（メタデータ） (2025-10-05T07:59:24Z)
• IFEvalCode: Controlled Code Generation [69.28317223249358]
  本稿では,Code LLMの命令追従能力を改善するために,前方および後方制約生成を提案する。 IFEvalCodeは、7つのプログラミング言語の1.6Kテストサンプルからなる多言語ベンチマークである。
  論文  参考訳（メタデータ） (2025-07-30T08:08:48Z)
• Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
  Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。 Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
  論文  参考訳（メタデータ） (2024-10-02T09:11:10Z)
• CodeLMSec Benchmark: Systematically Evaluating and Finding Security Vulnerabilities in Black-Box Code Language Models [58.27254444280376]
  自動コード生成のための大規模言語モデル(LLM)は、いくつかのプログラミングタスクにおいてブレークスルーを達成した。 これらのモデルのトレーニングデータは、通常、インターネット(例えばオープンソースのリポジトリから)から収集され、障害やセキュリティ上の脆弱性を含む可能性がある。 この不衛生なトレーニングデータは、言語モデルにこれらの脆弱性を学習させ、コード生成手順中にそれを伝播させる可能性がある。
  論文  参考訳（メタデータ） (2023-02-08T11:54:07Z)

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。