論文の概要: When Models Know but Can't Linearly Say: Relational Encoding Limits Linear Vulnerability Classification in Code LLMs

• arxiv url: http://arxiv.org/abs/2610.27257v1
• Date: Mon, 19 Oct 2026 20:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.494498
• Title: When Models Know but Can't Linearly Say: Relational Encoding Limits Linear Vulnerability Classification in Code LLMs
• Title（参考訳）: リレーショナルエンコーディングはリレーショナル脆弱性をコードLLMで分類する
• Abstract要約: 大規模言語モデルは脆弱性のあるコードを検出することができるが、その表現における脆弱性のエンコーディングの形式はまだ不明である。 3つのデータセットを用いて、Cプログラム上の6.7B-15Bパラメータにまたがる8つのコードモデルを分析する。 脆弱性情報はペア化されたリレーショナル信号としてアクセスしやすく、コードAがグローバルに分離可能なカテゴリラベルであるコードBよりも危険である。
• 参考スコア（独自算出の注目度）: 3.5622234917156597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models can detect vulnerable code, yet the form of vulnerability encoding in their representations remains unclear. We analyze 8 code models spanning 6.7B-15B parameters on C programs using three datasets (DELTASECOMMITS, SVEN, and PRECISE-BUGS), comparing two diagnostic tasks on the same representations: identifying what patterns the code instantiates, and determining whether it is vulnerable. Models encode the first with high fidelity. Under the studied paired C-code datasets and linear-probing setup, vulnerability information is more accessible as a paired relational signal-whether code A is riskier than code B-than as a globally separable categorical label. This structural difference has implications for classification: the model reliably ranks which code is riskier but standard classifiers on isolated samples achieve limited accuracy because vulnerable and secure samples form overlapping distributions in representation space.
• Abstract（参考訳）: 大規模言語モデルは脆弱性のあるコードを検出することができるが、その表現における脆弱性のエンコーディングの形式はまだ不明である。 我々は,3つのデータセット(DELTASECOMMITS,SVEN,PreCISE-BUGS)を用いて,Cプログラム上の6.7B-15Bパラメータにまたがる8つのコードモデルを分析する。 モデルは、最初に高い忠実度でエンコードする。 解析されたペアCコードデータセットと線形探索設定の下では、脆弱性情報はペアリレーショナル信号としてアクセスしやすく、コードAがグローバルに分離可能なカテゴリラベルとしてコードB-thanよりもリスクが高い。 モデルはどのコードがより危険であるかを確実にランク付けするが、分離されたサンプルの標準分類器は、脆弱でセキュアなサンプルが表現空間において重なり合う分布を形成するため、限られた精度を達成する。

関連論文リスト

• Noisy Test-Time Reinforcement Learning for Code LLMs [49.18760234865557]
  大規模言語モデル(LLM)は、様々なコード関連タスクで顕著なパフォーマンスを示している。 LLMは曖昧でエラーを起こしやすいため、コードLLMの堅牢性には重大な課題がある。 本稿では,NTRL-Code(Noisy Test-time Reinforcement Learning framework)を提案する。
  論文  参考訳（メタデータ） (2026-09-26T02:50:47Z)
• Detecting Contaminated Code-Generation Prompt Batches via Influence Functions [4.185678330063222]
  大規模言語モデル(LLM)は、コード生成にますます使われているが、安全でない実装を誘発するプロンプトに弱いままである。 本稿では、影響関数を利用して異常モデル動作を誘発するプロンプトのバッチを識別する脅威モデル非依存検出手法であるCodeSIFTを提案する。
  論文  参考訳（メタデータ） (2026-08-14T13:37:53Z)
• Minimal Prompt Perturbations Lead to Code Vulnerabilities: Prompt Fragility and Hidden-State Signals in Coding LLMs [46.747768845221735]
  単一文字の変更ほど小さな突然変異は、生成されたコードをセキュアから脆弱に切り替えることが可能であることを示す。 その結果、入力ハンドリングの欠陥は生成前に捕捉可能である一方で、セキュアなデフォルトの欠陥はデコード時に介入を必要とすることがわかった。
  論文  参考訳（メタデータ） (2026-05-28T10:30:28Z)
• From Theory to Practice: Code Generation Using LLMs for CAPEC and CWE Frameworks [2.7662026539843123]
  本稿では、CAPECおよびCWE記述に対応する脆弱性のあるコードスニペットの例を示す新しいデータセットを提案する。 このデータセットは、自動脆弱性検出と修復に焦点を当てた機械学習モデルをトレーニングするための貴重なリソースである。 最後のデータセットは、Java、Python、JavaScriptの3つのプログラミング言語で615のCAPECコードスニペットで構成されている。
  論文  参考訳（メタデータ） (2026-04-02T21:56:41Z)
• Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
  本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。 本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T06:25:10Z)
• Ensembling Large Language Models for Code Vulnerability Detection: An Empirical Evaluation [69.8237598448941]
  本研究では,ソースコードの脆弱性検出において,Large Language Models(LLM)の性能を高めるためのアンサンブル学習の可能性を検討する。 脆弱性検出に適したスタック機能であるDynamic Gated Stacking (DGS)を提案する。
  論文  参考訳（メタデータ） (2025-09-16T03:48:22Z)
• Benchmarking Unified Face Attack Detection via Hierarchical Prompt Tuning [58.16354555208417]
  PADとFFDはそれぞれ物理メディアベースのプレゼンテーションアタックとデジタル編集ベースのDeepFakeから顔データを保護するために提案されている。 これら2つのカテゴリの攻撃を同時に処理する統一顔攻撃検出モデルがないことは、主に2つの要因に起因する。 本稿では,異なる意味空間から複数の分類基準を適応的に探索する,視覚言語モデルに基づく階層型プロンプトチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T16:35:45Z)
• Beyond Natural Language Perplexity: Detecting Dead Code Poisoning in Code Generation Datasets [8.977790462534152]
  本稿では,コードの構造に合わせた新しいラインレベルの検出とクリーン化手法であるDePAを提案する。 DePAは既存の方法よりも優れており、検出F1スコアが0.14-0.19向上し、有毒セグメントの局在精度が44-65%向上した。
  論文  参考訳（メタデータ） (2025-02-27T16:30:00Z)
• HexaCoder: Secure Code Generation via Oracle-Guided Synthetic Training Data [60.75578581719921]
  大規模言語モデル(LLM)は、自動コード生成に大きな可能性を示している。 最近の研究は、多くのLLM生成コードが深刻なセキュリティ脆弱性を含んでいることを強調している。 我々は,LLMがセキュアなコードを生成する能力を高めるための新しいアプローチであるHexaCoderを紹介する。
  論文  参考訳（メタデータ） (2024-09-10T12:01:43Z)
• Multi-context Attention Fusion Neural Network for Software Vulnerability Identification [4.05739885420409]
  ソースコードのセキュリティ脆弱性の共通カテゴリのいくつかを効率的に検出することを学ぶディープラーニングモデルを提案する。 モデルは、学習可能なパラメータの少ないコードセマンティクスの正確な理解を構築します。 提案したAIは、ベンチマークされたNIST SARDデータセットから特定のCWEに対して98.40%のF1スコアを達成する。
  論文  参考訳（メタデータ） (2021-04-19T11:50:36Z)

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。