論文の概要: Towards Behavior Tree-Guided Vulnerability Detection with Lightweight LLMs

• arxiv url: http://arxiv.org/abs/2609.01758v1
• Date: Tue, 01 Sep 2026 18:25:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.841266
• Title: Towards Behavior Tree-Guided Vulnerability Detection with Lightweight LLMs
• Title（参考訳）: 軽量LDMを用いた行動木誘導脆弱性検出に向けて
• Abstract要約: 大規模言語モデル(LLM)は、ソフトウェア脆弱性の検出にますます利用されている。 それらのパフォーマンスは、ソースコードが入力でどのように表現されるかによって異なります。 本稿では,LSMに基づく脆弱性検出のための代替中間表現として,行動木(BT)について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are increasingly used for software vulnerability detection, but their performance depends on how source code is represented in the input. Most prompting approaches use source code in its original form, while some works propose the use of structured representations. Abstract Syntax Trees (ASTs) are one of the most popular approaches, but AST verbosity increases input size relative to source code, making them hard to fit within some LLMs context windows. This paper investigates Behavior Trees (BTs) as an alternative intermediate representation for LLM-based vulnerability detection. BTs encode control flow, conditions, and executable actions more compactly than ASTs, making them a natural candidate when token count is a constraint. First, we propose a preprocessing stage that parses Java source code into ASTs and then converts them into BT representations. We then compare vulnerability detection performance across 460 Java samples from the Juliet Java test suite, using three input representations: raw source code, AST, and BT. All experiments use a single quantized local LLM, Mistral Small 3.2 24B (Q4_K_M). Our results show that using BT representations improves recall on short code samples, while raw source code achieves higher precision. On longer samples, BTs improve overall performance over the original representation and fit within the context window, whereas many ASTs exceed the context limit. These findings suggest that BTs can provide a compact and useful structured representation for vulnerability detection with quantized, locally deployable LLMs.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ソフトウェア脆弱性の検出にますます使われていますが、そのパフォーマンスは、入力でどのようにソースコードが表現されるかによって異なります。 ほとんどのプロンプトアプローチはソースコードを元の形式で使用するが、いくつかの研究は構造化表現の使用を提案している。 抽象構文木(AST)は最も一般的なアプローチの1つであるが、ASTの冗長性はソースコードに対する入力サイズを増大させるため、いくつかのLLMコンテキストウィンドウに適合し難い。 本稿では,LSMに基づく脆弱性検出のための代替中間表現として,行動木(BT)について検討する。 BTは制御フロー、条件、実行可能動作をASTよりもコンパクトに符号化し、トークンカウントが制約である場合に自然な候補となる。 まず,JavaソースコードをASTに解析し,BT表現に変換する前処理ステージを提案する。 次に、生のソースコード、AST、BTの3つの入力表現を使用して、Juliet Javaテストスイートの460のJavaサンプルの脆弱性検出性能を比較します。 全ての実験では、1つの量子化された局所LLM、Mistral Small 3.2 24B (Q4_K_M) を使用する。 この結果から,BT表現を用いることで,ソースコードの精度が向上する一方,短いコードサンプルのリコールが向上することがわかった。 より長いサンプルでは、BTは元の表現よりも全体的なパフォーマンスを改善し、コンテキストウィンドウに適合する。 これらの結果から,BTは量子化された局所展開可能なLCMを用いて,脆弱性検出のためのコンパクトで有用な構造化表現を提供することが可能であることが示唆された。

関連論文リスト

• Representation Matters: An Empirical Study of Program Representations for LLM Vulnerability Reasoning [10.252726204112745]
  大規模言語モデル(LLM)は、自動脆弱性検出にますます利用されている。 ほとんどのプロンプトベースのアプローチは生のソースコードを提供し、よりソースレベルのコンテキストがモデルにより良い証拠を与えると暗黙的に仮定する。 本稿では、ソースコードと静的解析に基づくプログラム表現を比較した経験的ベンチマークであるRepBenchによる仮定に挑戦する。
  論文  参考訳（メタデータ） (2026-06-24T03:43:42Z)
• SimSD: Simple Speculative Decoding in Diffusion Language Models [61.33773959352141]
  拡散大言語モデル (dLLMs) は、並列またはブロックワイド復号による高速な推論を提供する。 彼らのマスク付き言語モデリングの定式化は、標準的なトークンレベルの投機的復号法とは相容れないままである。 我々は,dLLMに時間的に有効なトークンレベルのコンテキストを付与する,SimSDと呼ばれるdLLMの投機的復号アルゴリズムを提案する。 提案手法は,平均生成品質を維持しつつ,最大7.46倍高い復号スループットを実現する。
  論文  参考訳（メタデータ） (2026-06-01T17:46:46Z)
• Code vs Serialized AST Inputs for LLM-Based Code Summarization: An Empirical Study [0.9558392439655014]
  本稿では,LLM互換シーケンスに構造情報をエンコードするAST拡張シリアライズ手法であるAST(NIT)を提案する。 CodeXGLUE Pythonデータセット上のLLaMA-3.1-8Bモデルによる実験では、提案されたシリアライズされたASTはLLM入力の長さを減少させ、トレーニング時間を短縮し、既存のアプローチに匹敵する要約品質を達成する。
  論文  参考訳（メタデータ） (2026-02-06T12:55:01Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• Multi-Agent Taint Specification Extraction for Vulnerability Detection [49.27772068704498]
  コンテナ分析を使用した静的アプリケーションセキュリティテスト(SAST)ツールは、高品質な脆弱性検出結果を提供するものとして広く見なされている。 本稿では,Large Language Models (LLM) のセマンティック理解と従来の静的プログラム解析を戦略的に組み合わせたマルチエージェントシステムであるSemTaintを提案する。 私たちは、SemTaintを最先端のSASTツールであるCodeQLと統合し、これまでCodeQLで検出できなかった162の脆弱性の106を検出して、その効果を実証しています。
  論文  参考訳（メタデータ） (2026-01-15T21:31:51Z)
• Alignment with Fill-In-the-Middle for Enhancing Code Generation [56.791415642365415]
  コードスニペットを小さな粒度のブロックに分割し,同じテストケースからより多様なDPOペアを生成する手法を提案する。 提案手法は,HumanEval (+), MBPP (+), APPS, LiveCodeBench, BigCodeBenchといったベンチマークデータセットの実験によって検証された,コード生成タスクの大幅な改善を示す。
  論文  参考訳（メタデータ） (2025-08-27T03:15:53Z)
• RepreGuard: Detecting LLM-Generated Text by Revealing Hidden Representation Patterns [50.401907401444404]
  大規模言語モデル(LLM)は、誤用を防止し、信頼できるAIシステムを構築するために不可欠である。 本稿では,統計量に基づく効率的な検出手法であるRepreGuardを提案する。 実験結果から、RepreGuardは、平均94.92%のAUROCですべてのベースラインでID(in-distriion)とOOD(OOD)の両方のシナリオでパフォーマンスが向上していることが示された。
  論文  参考訳（メタデータ） (2025-08-18T17:59:15Z)
• AlignedCoT: Prompting Large Language Models via Native-Speaking Demonstrations [52.43593893122206]
  Alignedcotは、大規模言語モデルを呼び出すためのコンテキスト内学習技術である。 ゼロショットシナリオでは、一貫した正しいステップワイズプロンプトを達成する。 数学的推論とコモンセンス推論の実験を行う。
  論文  参考訳（メタデータ） (2023-11-22T17:24:21Z)
• LLMDet: A Third Party Large Language Models Generated Text Detection Tool [119.0952092533317]
  大規模言語モデル(LLM)は、高品質な人間によるテキストに非常に近い。 既存の検出ツールは、機械が生成したテキストと人間によるテキストしか区別できない。 本稿では,モデル固有,セキュア,効率的,拡張可能な検出ツールであるLLMDetを提案する。
  論文  参考訳（メタデータ） (2023-05-24T10:45:16Z)
• M2TS: Multi-Scale Multi-Modal Approach Based on Transformer for Source Code Summarization [0.4061135251278187]
  ソースコードの要約は、コードスニペットの自然言語記述を生成することを目的としている。 ソースコード要約のためのTransformerに基づくマルチスケールマルチモーダルアプローチであるM2TSを提案する。 2つのJavaデータセットと1つのPythonデータセットで実験を行い、M2TSが現在の最先端手法より優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2022-03-18T02:54:06Z)
• Improving Code Summarization with Block-wise Abstract Syntax Tree Splitting [15.28941592388958]
  ソースコードの構文構造を表現した抽象構文木(AST)がコード要約の生成をガイドするために組み込まれている。 既存のastベースのメソッドはトレーニングが困難で、不適切なコード要約を生成する。 ASTのリッチツリー形式の構文構造をフル活用したBlock-wise Abstract Syntax Tree Splitting法(BASTS)を提案する。
  論文  参考訳（メタデータ） (2021-03-14T05:04:06Z)

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。