論文の概要: CLEAR: Causal Context-Based Agentic Reasoning for Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2608.03134v1
• Date: Tue, 04 Aug 2026 05:03:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 07:04:20.696751
• Title: CLEAR: Causal Context-Based Agentic Reasoning for Vulnerability Detection
• Title（参考訳）: CLEAR:脆弱性検出のための因果文脈に基づくエージェント推論
• Abstract要約: Causal Context-based Agentic Reasoning (CLEAR)は、因果知識グラフと統合された新しいマルチエージェント脆弱性検出フレームワークである。 コレクター、クレーム、批判、裁判官を含む4つの専門エージェントは、検索された因果コンテキストを通じて脆弱性仮説を協調的に検証する。 CLEARはPair-Correct (P-C)のパフォーマンスを130.7%改善し、最先端のアプローチよりも71.56%向上した。
• 参考スコア（独自算出の注目度）: 3.2238600872149275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting source code vulnerabilities is increasingly difficult as modern security flaws are rooted in complex causal dependencies between execution flows, control conditions, and program states. Despite recent advances in Large Language Models (LLMs) and multi-agent frameworks, existing approaches primarily address superficial similarities between benign and vulnerable functions while failing to capture the complex causal dependencies inherent in security flaws. To address these limitations, we propose Causal Context-based Agentic Reasoning (CLEAR), a novel multi-agent vulnerability detection framework integrated with a causal knowledge graph. CLEAR systematically constructs a Vulnerability Causal Knowledge Graph (VCKG) that models the causal chains between entrypoints, preconditions, root causes, and fix intents across vulnerability instances. Leveraging this structured knowledge, four specialized agents, including the Collector, Claim, Critic, and Judge, collaboratively verify vulnerability hypotheses through retrieved causal contexts. Experimental results on C/C++ and Java vulnerability benchmarks demonstrate that CLEAR improves Pair-Correct (P-C) performance by 130.7% and 71.56% over state-of-the-art approaches, demonstrating the effectiveness of causal knowledge graph-guided reasoning for automated vulnerability detection.
• Abstract（参考訳）: 現代のセキュリティ欠陥は、実行フロー、制御条件、プログラム状態の間の複雑な因果依存性に根ざしているため、ソースコードの脆弱性の検出はますます困難になっている。 LLM(Large Language Models)やマルチエージェントフレームワークの最近の進歩にもかかわらず、既存のアプローチは主に、セキュリティ欠陥に固有の複雑な因果関係を捉えるのに失敗しながら、良性の関数と脆弱な関数の間の表面的類似性に対処している。 これらの制約に対処するため、因果知識グラフと統合された新しいマルチエージェント脆弱性検出フレームワークである、因果コンテキストに基づくエージェント推論(CLEAR)を提案する。 CLEARはVulnerability Causal Knowledge Graph(VCKG)を体系的に構築する。 この構造化された知識を活用して、コレクター、クレーム、批判、裁判官を含む4つの専門エージェントは、検索された因果コンテキストを通して、脆弱性仮説を協調的に検証する。 C/C++とJavaの脆弱性ベンチマークの実験結果によると、CLEARは最先端のアプローチに対してPair-Correct(P-C)のパフォーマンスを130.7%と71.56%改善し、自動脆弱性検出のための因果知識グラフ誘導推論の有効性を示した。

関連論文リスト

• Combating Knowledge Corruption in Agent Systems: A Byzantine-Tolerant Secure Collaborative RAG Framework [61.79960727298522]
  ビザンチン耐性協調RAGフレームワークSecureCollaRAGを提案する。 提案手法により,エージェントシステムは動的GNNによる信頼性スコアリングにより,文書の証明を確実に行うことができる。 本研究では,SecureCollaRAGが非IIDデータ配信における攻撃者に対する堅牢性を維持していることを示す。
  論文  参考訳（メタデータ） (2026-08-05T02:13:37Z)
• Mechanistic Interpretability of LLM Jailbreaks via Internal Attribution Graphs [0.8658568246382029]
  大きな言語モデル(LLM)は優れた能力を示すが、敵のプロンプトやジェイルブレイク攻撃に対して非常に脆弱である。 既存のアプローチは主にインプット・アウトプット・ビヘイビアや属性・メソッドを通じてこれらの障害を分析する。 ペア化された内部計算グラフを用いて脆弱性を診断する機構的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-08T20:31:06Z)
• Detecting Vulnerability-Inducing Commits via Multi-Stage Reasoning with LLM-Based Agents [18.673118303783188]
  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。
  論文  参考訳（メタデータ） (2026-07-07T02:54:46Z)
• Three Heads Are Better Than One: A Multi-perspective Reasoning Framework for Enhanced Vulnerability Detection [17.33447267029733]
  本稿では,3種類のLLMエージェントの認知シナジーを利用した多視点推論フレームワークReasonVulを提案する。 フレームワークはソースコードの独立した分析から始まり、続いてコンフリクトを解決するための構造化された議論メカニズムが続く。 我々は542のコンフリクトケースを分析し、389が正しく解決されたことを発見し、隠れた脆弱性を明らかにするフレームワークの能力を強調した。
  論文  参考訳（メタデータ） (2026-05-18T09:57:22Z)
• Just Ask: Curious Code Agents Reveal System Prompts in Frontier LLMs [65.6660735371212]
  textbftextscJustAskは,インタラクションのみで効果的な抽出戦略を自律的に発見するフレームワークである。 これは、アッパー信頼境界に基づく戦略選択と、原子プローブと高レベルのオーケストレーションにまたがる階層的なスキル空間を用いて、オンライン探索問題として抽出を定式化する。 この結果から,現代のエージェントシステムにおいて,システムプロンプトは致命的ではあるがほぼ無防備な攻撃面であることがわかった。
  論文  参考訳（メタデータ） (2026-01-29T03:53:25Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• 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)
• SoK: a Comprehensive Causality Analysis Framework for Large Language Model Security [9.26421208894097]
  大きな言語モデル(LLM)は優れた能力を示すが、ジェイルブレイクのような敵の操作には弱いままである。 LLMにおけるすべてのレベルの因果関係調査を支援する統一因果関係解析フレームワークを導入する。 我々は、複数のオープンウェイトモデルと、ジェイルブレイクを含む安全クリティカルなベンチマークに関するフレームワークを実証的に評価する。
  論文  参考訳（メタデータ） (2025-12-04T14:25:15Z)
• The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search [58.8834056209347]
  大規模言語モデル(LLM)は、有害な出力を誘導するために安全ガードレールをバイパスするジェイルブレイク攻撃に弱いままである。 CKA-Agent(Correlated Knowledge Attack Agent)は、ターゲットモデルの知識基盤の適応的木構造探索としてジェイルブレイクを再構成する動的フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T07:05:23Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• 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)
• 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)
• TrustRAG: Enhancing Robustness and Trustworthiness in Retrieval-Augmented Generation [31.231916859341865]
  TrustRAGは、生成のために取得される前に、悪意のある、無関係なコンテンツを体系的にフィルタリングするフレームワークである。 TrustRAGは、検索精度、効率、攻撃抵抗を大幅に改善する。
  論文  参考訳（メタデータ） (2025-01-01T15:57:34Z)

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。