論文の概要: MACGen: Toward Functionally Correct and Secure Code Generation via Multi-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2608.25457v2
• Date: Thu, 27 Aug 2026 12:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 14:16:51.846193
• Title: MACGen: Toward Functionally Correct and Secure Code Generation via Multi-Agent Collaboration
• Title（参考訳）: MACGen: マルチエージェントコラボレーションによる機能的正当かつセキュアなコード生成を目指して
• Abstract要約: MACGenは、計画、セキュリティ分析、コード合成、改善を統合して、セキュリティと機能を共同で最適化するフレームワークである。 CWEval と BaxBench では、MACGen は F&S@1 を平均 19.61 と 10.57 のパーセンテージで改善している。
• 参考スコア（独自算出の注目度）: 6.506092400916109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite their strong ability to generate code, large language models often fail to produce secure code, as their outputs frequently contain security vulnerabilities. Secure code generation is inherently challenging because it requires solving a multi-objective problem: functional correctness and security. Existing approaches address this challenge by injecting external security knowledge or by using agentic feedback and iterative refinement. However, guideline retrieval often leaves the generator to translate generic advice into task-specific secure implementations, while shared-dialogue multi-agent feedback can blur role boundaries and suffer from context bloat. We present MACGen, a multi-agent framework that integrates planning, security analysis, code synthesis and refinement to jointly optimize security and functionality. A planner constructs a step-by-step plan to satisfy functional requirements. A security advisor identifies likely CWEs and synthesizes task-specific guidelines, a coder then generates code grounded in these artifacts, and a reviewer issues perspective-separated feedback. Rather than sharing full dialogue histories, each agent receives only structured artifacts from upstream stages, enforcing role specialization and reducing uncontrolled context growth. On CWEval and BaxBench, MACGen improves F&S@1 over direct prompting by 19.61 and 10.57 percentage points (pp) on average, respectively.
• Abstract（参考訳）: コードを生成する能力は強いが、大規模な言語モデルはセキュリティ上の脆弱性を含むことが多いため、セキュアなコードの生成に失敗することが多い。 セキュアなコード生成は、機能的正当性とセキュリティという、多目的的な問題を解決する必要があるため、本質的に難しい。 既存のアプローチでは、外部のセキュリティ知識を注入したり、エージェントからのフィードバックや反復的な改善を使ってこの問題に対処している。 しかし、ガイドライン検索はしばしばジェネレータを離れ、ジェネリックアドバイスをタスク固有のセキュアな実装に翻訳するが、共有対話型マルチエージェントフィードバックはロール境界を曖昧にし、コンテキストの肥大に悩む。 我々は,セキュリティと機能を協調的に最適化するために,計画,セキュリティ解析,コード合成,改良を統合したマルチエージェントフレームワークMACGenを提案する。 プランナーは、機能要件を満たすためにステップバイステップのプランを構築する。 セキュリティアドバイザは、おそらくCWEを特定し、タスク固有のガイドラインを合成し、コーダーは、これらのアーティファクトに基盤付けられたコードを生成し、レビュアーは視点分離されたフィードバックを発行する。 各エージェントは、完全な対話履歴を共有するのではなく、上流から構造化されたアーティファクトのみを受け取り、役割の専門化を強制し、制御されていないコンテキストの成長を減らす。 CWEval と BaxBench では、MACGen は F&S@1 をそれぞれ 19.61 と 10.57 のパーセンテージポイント (pp) で改善している。

関連論文リスト

• AgentLens: Interpretable Safety Steering via Mechanistic Subspaces for Multi-Turn Coding Agent [53.82005364479556]
  大規模言語モデル(LLM)に基づく符号化エージェントは、驚くべき自律性を示す。 既存の安全機構は主に外部ガードレールに依存している。 我々は,ランタイムの安全性検出と表現レベルの緩和を行う,ホワイトボックスの防御フレームワークであるAgentLensを提案する。
  論文  参考訳（メタデータ） (2026-06-21T21:13:55Z)
• Code as Agent Harness [107.31925305395957]
  新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。 コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。 この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:03Z)
• 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)
• 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)
• CoTGuard: Using Chain-of-Thought Triggering for Copyright Protection in Multi-Agent LLM Systems [55.57181090183713]
  我々は、Chain-of-Thought推論内でトリガーベースの検出を活用する著作権保護のための新しいフレームワークであるCoTGuardを紹介する。 具体的には、特定のCoTセグメントをアクティベートし、特定のトリガクエリをエージェントプロンプトに埋め込むことで、未許可コンテンツ再生の中間的推論ステップを監視する。 このアプローチは、協調エージェントシナリオにおける著作権侵害の微細かつ解釈可能な検出を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T01:42:37Z)
• Give LLMs a Security Course: Securing Retrieval-Augmented Code Generation via Knowledge Injection [5.011290848820237]
  既存のRetrieval-Augmented Code Generation (RACG) システムはセキュリティをほとんど見落としており、重大なリスクをもたらしている。 本稿では,RACGシステムのセキュリティ強化フレームワークであるCodeGuarderを提案する。 我々のフレームワークは,セキュアなコードサンプルやルート原因アノテーションを含む,現実世界の脆弱性データベースからセキュリティ知識ベースを構築する。
  論文  参考訳（メタデータ） (2025-04-23T05:27:27Z)
• AutoSafeCoder: A Multi-Agent Framework for Securing LLM Code Generation through Static Analysis and Fuzz Testing [6.334110674473677]
  既存のアプローチは、セキュアで脆弱性のないコードを生成するのに苦労するコード生成に、単一のエージェントに依存することが多い。 コード生成,脆弱性解析,セキュリティ強化にLLM駆動エージェントを活用するマルチエージェントフレームワークであるAutoSafeCoderを提案する。 私たちのコントリビューションは、コード生成中に反復的なプロセスで動的および静的なテストを統合することで、マルチエージェントコード生成の安全性を確保することに焦点を当てています。
  論文  参考訳（メタデータ） (2024-09-16T21:15:56Z)

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。