Fugu-MT 論文翻訳(概要): WeSCE: A Benchmark for Measuring Security Drift in LLM-Driven Code Editing

論文の概要: WeSCE: A Benchmark for Measuring Security Drift in LLM-Driven Code Editing

arxiv url: http://arxiv.org/abs/2608.15092v1
Date: Sat, 15 Aug 2026 07:24:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.195167
Title: WeSCE: A Benchmark for Measuring Security Drift in LLM-Driven Code Editing
Title（参考訳）: WeSCE: LLM駆動のコード編集におけるセキュリティドリフトの測定ベンチマーク
Abstract要約: WeSCEは、弱いセキュリティ制約の下でコード編集のセキュリティドリフトを定量化するベンチマークである。異種脆弱性信号を集約する連続的リスク表現を提案する。
参考スコア（独自算出の注目度）: 3.8558194074879855
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this work, we introduce WeSCE, a benchmark for quantifying security drift in code editing under weak-security constraints, where tasks specify only functional objectives without explicit security requirements. WeSCE consists of 400 executable programs derived from real-world code, covering feature addition, feature removal, bug fixing, and refactoring. To quantify security drift, we propose a continuous risk representation that aggregates heterogeneous vulnerability signals through a unified formulation, and define drift measures capturing changes in overall risk, worst-case severity, and vulnerability distribution under code transformations, providing a multi-scale view of security spanning average-case behavior to worst-case emphasis.
Abstract（参考訳）: 本稿では,弱いセキュリティ制約下でのコード編集におけるセキュリティドリフトの定量化のためのベンチマークWeSCEを紹介する。 WeSCEは現実世界のコードから派生した400の実行可能なプログラムで構成されており、機能追加、機能削除、バグ修正、リファクタリングをカバーしている。セキュリティドリフトを定量化するために,統一的な定式化を通じて異種脆弱性信号を集約する連続リスク表現を提案し,コード変換による全体的なリスク,最悪のケースの深刻度,脆弱性分布の変化を把握したドリフト尺度を定義し,平均ケースの振る舞いを最悪のケースに分散したセキュリティのマルチスケールビューを提供する。

関連論文リスト

Secure Coding Drift in LLM-Assisted Post-Quantum Cryptography Development: A Gamified Fix [0.0]
大規模言語モデル(LLM)はソフトウェア開発に深く埋め込まれている。 LLMは、特にセキュリティクリティカルドメインにおいて、安全でないコードや最適でないコードを生成する。本稿では、新しい社会技術的脆弱性モデルであるPQCにおけるセキュア符号化ドリフトについて紹介する。
論文参考訳（メタデータ） (2026-06-17T18:10:10Z)
SeClaw: Spec-Driven Security Task Synthesis for Evaluating Autonomous Agents [87.26967184869198]
SeClawは、仕様駆動のセキュリティタスク合成と、自律エージェントの実行ベースのセキュリティ評価を組み合わせたフレームワークである。ベンチマークは、リソース、ユーザタスク、環境、本質的なエージェントの振る舞いから生じるリスクをカバーしている。
論文参考訳（メタデータ） (2026-06-01T14:23:42Z)
Enhancing Agent Safety Judgment: Controlled Benchmark Rewriting and Analogical Reasoning for Deceptive Out-of-Distribution Scenarios [0.2578242050187029]
ROMEは、既知の安全でないトラジェクトリを偽評価インスタンスに書き換える、制御されたベンチマーク構築パイプラインである。 ARISEは、外部アナログベースからReActスタイルのアナログ安全軌道を抽出し、それらを構造化推論例として注入する検索誘導推論時間拡張である。
論文参考訳（メタデータ） (2026-05-05T00:21:00Z)
How Brittle is Agent Safety? Rethinking Agent Risk under Intent Concealment and Task Complexity [55.441602598245744]
LLM駆動エージェントの現在の安全性評価は、主に原子害に焦点を当てており、悪意のある意図が複雑なタスクで隠されたり希釈されたりする高度な脅威に対処できなかった。このギャップを,意図隠蔽とタスク複雑性の圧力下でのエージェントの安全性の脆さを二次元的に解析することで解決する。目的が明確になるにつれて、安全アライメントは急激かつ予測的に低下し、「複雑パラドックス」が出現する。
論文参考訳（メタデータ） (2025-11-11T17:27:27Z)
From Model to Breach: Towards Actionable LLM-Generated Vulnerabilities Reporting [43.57360781012506]
最新のオープンウェイトモデルでさえ、最も早く報告された脆弱性シナリオに脆弱性があることが示されています。 LLMが生成する脆弱性によって引き起こされるリスクを反映した、新たな重大度指標を導入する。最も深刻で普及している脆弱性の緩和を促進するために、PEを使用して、モデル露出(ME)スコアを定義します。
論文参考訳（メタデータ） (2025-11-06T16:52:27Z)
UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
論文参考訳（メタデータ） (2025-10-02T16:43:33Z)
Distributionally Robust Safety Verification of Neural Networks via Worst-Case CVaR [3.0458514384586404]
本稿では、ニューラルネットワーク検証のためのFazlyabの2次制約(QC)と半定値プログラミング(SDP)フレームワークを構築する。この統合により、入力不確かさをカバーする楕円体、ポリトープ、超平面が拡張され、安全クリティカルドメインへの適用性も拡張される。
論文参考訳（メタデータ） (2025-09-22T07:04:53Z)
Q-resafe: Assessing Safety Risks and Quantization-aware Safety Patching for Quantized Large Language Models [37.68831497886983]
LLM(Quantized Large Language Model)は、リソース制約のある環境へのデプロイを可能にする上で、注目と重要性を高めている。本稿では,様々な主要な量子化手法と多様なキャリブレーションデータセットにまたがる包括的安全性評価について述べる。本稿では,量子化LLMの安全性を効率的に回復する,量子化対応型安全性パッチフレームワークQ-resafeを提案する。
論文参考訳（メタデータ） (2025-06-25T08:52:22Z)
Advancing Neural Network Verification through Hierarchical Safety Abstract Interpretation [52.626086874715284]
我々は、安全でない出力の階層構造を検証する抽象的DNN検証と呼ばれる新しい問題定式化を導入する。出力到達可能な集合に関する抽象的解釈と推論を活用することにより,形式的検証プロセスにおいて,複数の安全性レベルを評価することができる。我々の貢献には、新しい抽象的安全性の定式化と既存のアプローチとの関係を理論的に探求することが含まれる。
論文参考訳（メタデータ） (2025-05-08T13:29:46Z)
Uniformly Safe RL with Objective Suppression for Multi-Constraint Safety-Critical Applications [73.58451824894568]
広く採用されているCMDPモデルは予測のリスクを制約しており、長い尾の州で危険な行動を起こす余地がある。安全クリティカルな領域では、そのような行動は破滅的な結果をもたらす可能性がある。本稿では,目標を最大化するタスク報酬を適応的に抑制する新しい手法であるObjective Suppressionを提案する。
論文参考訳（メタデータ） (2024-02-23T23:22:06Z)
Enforcing Hard Constraints with Soft Barriers: Safe Reinforcement Learning in Unknown Stochastic Environments [84.3830478851369]
本研究では,環境を協調的に学習し,制御ポリシーを最適化する安全な強化学習手法を提案する。本手法は, 安全性の制約を効果的に適用し, シミュレーションにより測定したシステム安全率においてCMDPベースのベースライン法を著しく上回っている。
論文参考訳（メタデータ） (2022-09-29T20:49:25Z)

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。