論文の概要: Embedding Drift in Code Vulnerability Models Under Intended Behaviour-Preserving Transformations

• arxiv url: http://arxiv.org/abs/2609.21203v1
• Date: Fri, 18 Sep 2026 01:33:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.817959
• Title: Embedding Drift in Code Vulnerability Models Under Intended Behaviour-Preserving Transformations
• Title（参考訳）: 意図的挙動保存変換によるコード脆弱性モデルにおけるドリフトの埋め込み
• Abstract要約: 我々は、脆弱性クラス情報を保存しながら、クリーンで変更された表現を近接的に投影する列車専用ディフェンスを導入する。 提案された防御は、平均コモンセット脆弱性フリップレート(VFR)を22.60%から11.32%に削減し、平均変更精度を55.33%から57.10%に改善した。 これらの結果は、防衛は意味論的保存コード変換に対する堅牢性を改善するが、偽陽性のトレードオフを導入し、予測不安定性を完全に排除しないことを示している。
• 参考スコア（独自算出の注目度）: 0.4384115998988432
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Code edits that preserve program behaviour can shift frozen code embeddings across classifier decision boundaries, causing correctly detected vulnerabilities to be predicted as benign. Such instability is problematic because semantically neutral changes, including comment removal, insertion of unreachable code, variable renaming, and loop rewriting, should not alter a model's security judgment. We investigate this issue using 15,000 C/C++ functions organized as 7,500 vulnerable-patched pairs from the Big-Vul dataset. Four mutation tracks are applied to both vulnerable and benign samples: comment removal, unreachable code insertion, variable renaming, loop rewriting, and a combined setting that applies all transformations. Using frozen microsoft/codebert-base embeddings with six downstream classifiers, we evaluate the robustness of vulnerability predictions and introduce a train-only defence that projects clean and mutated representations closer together while preserving vulnerability-class information. Under combined mutations, the baseline Vulnerable Flip Rate (VFR) ranges from 35.55% to 42.15%. The proposed defence reduces the mean common-set VFR from 22.60% to 11.32% and improves mean mutated accuracy from 55.33% to 57.10%. For Logistic Regression, VFR decreases by 17.29 percentage points, although benign-to-vulnerable flips increase by 11.95 percentage points. These results indicate that the defence improves robustness to semantics-preserving code transformations but introduces a false-positive trade-off and does not fully eliminate prediction instability.
• Abstract（参考訳）: プログラム動作を保存するコード編集は、冷凍コード埋め込みを分類器の判定境界を越えてシフトさせ、正しく検出された脆弱性を良性として予測する。 このような不安定性は、コメントの削除、到達不能なコードの挿入、変数のリネーム、ループのリライトなど、意味的に中立な変更がモデルのセキュリティ判断を変えるべきではないため、問題となる。 この問題を,Big-Vulデータセットから7,500個の脆弱なパッチ付きペアとして整理した15,000個のC/C++関数を用いて検討する。 コメント削除、到達不能なコード挿入、変数リネーム、ループリライト、すべての変換を適用する統合設定の4つの変更トラックが、脆弱性と良性の両方のサンプルに適用されている。 6つの下流分類器を用いた凍結型マイクロソフトウェア/コードバートベース埋め込みを用いて、脆弱性予測の堅牢性を評価し、脆弱性クラス情報を保存しつつ、クリーンかつ変更された表現を近接的に投影する列車専用ディフェンスを導入する。 混合突然変異では、VFR(Vulnerable Flip Rate)は35.55%から42.15%の範囲である。 提案された防御は、平均共通セットVFRを22.60%から11.32%に削減し、平均変更精度を55.33%から57.10%に改善した。 ロジスティック回帰では、VFRは17.29ポイント減少するが、ベニグナブルフリップは11.95ポイント増加している。 これらの結果は、防衛は意味論的保存コード変換に対する堅牢性を改善するが、偽陽性のトレードオフを導入し、予測不安定性を完全に排除しないことを示している。

関連論文リスト

• Robustness of LLM-Generated SystemVerilog Assertions to Semantics-Preserving RTL Transformations [0.0]
  大規模言語モデル(LLM)は、SystemVerilog Assertion(SVA)の自動生成のために、ますます研究されている。 ほとんどの評価では、入力の単一の構文表現に正確さを報告している。 そのような点の精度は、モデルの正しい出力が同じRTLの振る舞いが異なる場合に安定であるかどうかを明らかにしない。
  論文  参考訳（メタデータ） (2026-09-04T18:41:58Z)
• ReNFT: Repairing Mode Collapse in Reward Post-Training via Internal Probability-Mass Recalibration [84.10540890311843]
  再学習後、必然的に確率質量をいくつかの報奨モード、即時多様性を消去するモード崩壊に集中させる。 本稿では、内部の確率質量再校正により、高逆低ダイバーシティアダプタを修復するReNFTを提案する。 PickScoreとGenEvalでは、ReNFTはNFTの報酬の98.9%と99.0%を保持し、DreamSim-Divは58.8%、55.0%改善している。
  論文  参考訳（メタデータ） (2026-08-30T14:13:50Z)
• Code-Centric Detection of Vulnerability-Fixing Commits: A Unified Benchmark and Empirical Study [4.512751676075442]
  本稿では,統合フレームワークによる言語モデルに基づくVFC検出の包括的評価を行う。 コードの変更だけで、モデルが転送可能なセキュリティ関連コードを理解する証拠は見つからない。 グループ階層評価は、ランダムスプリットに比べて約17%のパフォーマンス低下を露呈する。
  論文  参考訳（メタデータ） (2026-05-13T08:05:14Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• How Do Semantically Equivalent Code Transformations Impact Membership Inference on LLMs for Code? [56.42119949944239]
  意味論的に等価なコード変換規則がMI検出の回避に有効かどうかを検討する。 各ルールで最悪の場合、モデルの精度はわずか1.5%低下する。 コードのための大規模言語モデルをトレーニングするためのライセンスコンプライアンスの実施において,我々の結果は重大な欠陥を露呈する。
  論文  参考訳（メタデータ） (2025-12-17T14:12:54Z)
• Contrastive Deep Learning for Variant Detection in Wastewater Genomic Sequencing [0.0]
  本稿では,Vector-Quantized Variational Autoencoders (VQ-VAE) を用いた非教師付きウイルス変異検出のための包括的フレームワークを提案する。 VQ-VAEは、参照ゲノムや変異ラベルを必要とせずに、k-merトークン化配列からゲノムパターンの離散コードブックを学習する。 我々のフレームワークは、ゲノム監視のスケーラブルで解釈可能なアプローチと、公衆衛生モニタリングへの直接的な応用を提供する。
  論文  参考訳（メタデータ） (2025-12-02T19:04:05Z)
• Probing Pre-trained Language Models on Code Changes: Insights from ReDef, a High-Confidence Just-in-Time Defect Prediction Dataset [0.0]
  本稿では,22の大規模C/C++プロジェクトから得られた関数レベル修正の信頼性の高いベンチマークであるReDefを紹介する。 欠陥ケースはコミットの反転によって固定され、クリーンケースはポストホック履歴チェックによって検証される。 このパイプラインは3,164の欠陥と10,268のクリーンな修正をもたらし、既存のリソースよりも信頼性の高いラベルを提供する。
  論文  参考訳（メタデータ） (2025-09-11T07:07:11Z)
• Explainable Vulnerability Detection in C/C++ Using Edge-Aware Graph Attention Networks [0.2499907423888049]
  本稿では,C/C++コードの脆弱性検出のためのグラフベースのフレームワークであるExplainVulDを提案する。 平均精度88.25パーセント、F1スコア48.23パーセントをReVealデータセット上で30の独立ランで達成している。
  論文  参考訳（メタデータ） (2025-07-22T12:49:14Z)
• Rebalancing Contrastive Alignment with Bottlenecked Semantic Increments in Text-Video Retrieval [48.85977777168096]
  Gap-Aware Retrievalフレームワークは、テキスト$t_i$とビデオ$v_j$の間で、学習可能なペア固有のインクリメント$Delta_ij$を導入している。 セマンティックギャップに条件付けされた軽量なニューラルモジュールは、構造認識の修正のためにバッチ間で増分する。 4つのベンチマークの実験は、GAREが一貫してアライメント精度とロバスト性を改善することを示した。
  論文  参考訳（メタデータ） (2025-05-18T17:18:06Z)

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。