論文の概要: Enhancing LLM-Based Vulnerability Detection via Representation-Aware Logical Ensemble

• arxiv url: http://arxiv.org/abs/2610.33756v1
• Date: Sat, 24 Oct 2026 15:55:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.437586
• Title: Enhancing LLM-Based Vulnerability Detection via Representation-Aware Logical Ensemble
• Title（参考訳）: 表現型論理アンサンブルによるLLMに基づく脆弱性検出の強化
• Abstract要約: 大きな言語モデル(LLM)は有望な結果を示しているが、ほとんどのアプローチは単一のコード表現に依存している。 異なる表現が相補的な強みを示し、特定の脆弱性のクラスに対してより効果的であることを示す。 本稿では,明示的な論理規則と多数決投票を通じて,異なるコード表現で訓練されたLLMを統合するRepresentation-Aware Logical Ensemble (RALE)を提案する。
• 参考スコア（独自算出の注目度）: 5.367801220572418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated vulnerability detection in C source code is a long-standing challenge, as traditional static analysis tools often trade precision for scalability and struggle with complex vulnerability patterns. Recently, large language models (LLMs) have shown promising results; yet, most approaches rely on a single code representation, implicitly assuming uniform suitability across vulnerability types. In this work, we systematically study LLM-based vulnerability detection under multiple code representations, including raw source code, Abstract Syntax Trees (AST), and Control Flow Graphs (CFG). Through extensive empirical analysis, we show that different representations exhibit complementary strengths, with specific views being more effective for particular classes of vulnerabilities. Building on these findings, we propose a Representation-Aware Logical Ensemble (RALE) that integrates LLMs trained on different code representations through explicit logical rules and majority voting. While single-representation models achieve up to 73% F1-score, our integrated approach reaches 78% F1-score, with commensurate gains in accuracy, precision, and recall, consistently outperforming individual models. These results highlight the importance of explicitly leveraging complementary code representations when combining LLMs for effective vulnerability detection.
• Abstract（参考訳）: 従来の静的解析ツールは、スケーラビリティと複雑な脆弱性パターンとの闘いの正確さを交換することが多いため、Cソースコードの自動脆弱性検出は長年にわたる課題である。 近年、大きな言語モデル (LLM) は有望な結果を示しているが、ほとんどのアプローチは単一のコード表現に依存しており、暗黙的に脆弱性タイプ間の均一な適合性を仮定している。 本研究では、ソースコード、抽象構文木(AST)、制御フローグラフ(CFG)など、複数のコード表現の下でLLMベースの脆弱性検出を体系的に研究する。 広範な実証分析を通して、異なる表現が相補的な強みを示し、特定の脆弱性のクラスに対してより効果的であることを示す。 これらの結果に基づいて、明示的な論理規則と多数決によって異なるコード表現で訓練されたLLMを統合するRepresentation-Aware Logical Ensemble (RALE)を提案する。 単一表現モデルは最大73%のF1スコアを達成するが、我々の統合されたアプローチは78%のF1スコアに達する。 これらの結果は,LLMと組み合わせて効果的な脆弱性検出を行う際に,補完的なコード表現を明示的に活用することの重要性を強調している。

関連論文リスト

• Detecting Vulnerability-Inducing Commits via Multi-Stage Reasoning with LLM-Based Agents [18.673118303783188]
  VIC-RAGENTは、効果的かつ説明可能な脆弱性検出のためのマルチエージェントフレームワークである。 特殊なエージェントを使用して、構造解析、意図理解、脆弱性検査などの補完的な視点を提供する。 Direct、CoT、CodeAgentなどのベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-07-07T02:54:46Z)
• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• Multi-Paradigm Collaborative Adversarial Attack Against Multi-Modal Large Language Models [67.45032003041399]
  本稿では,MLLMに対する敵例の転送可能性を高めるために,MPCAttack(Multi-Paradigm Collaborative Attack)フレームワークを提案する。 MPCOは異なるパラダイム表現の重要性を適応的にバランスさせ、グローバルな最適化を導く。 我々のソリューションは、オープンソースおよびクローズドソースMLLMに対する標的および未ターゲットの攻撃において、常に最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2026-03-05T06:01:26Z)
• LLMs in Code Vulnerability Analysis: A Proof of Concept [0.3441021278275805]
  従来のソフトウェアセキュリティ分析手法は、現代人の規模や複雑さに合わせたペースを維持するのに苦労している。 本稿では,重要なソフトウェアセキュリティタスクを自動化するために,コード固有および汎用大規模言語モデルの導入について検討する。
  論文  参考訳（メタデータ） (2026-01-13T16:16:11Z)
• 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)
• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)
• SAEL: Leveraging Large Language Models with Adaptive Mixture-of-Experts for Smart Contract Vulnerability Detection [14.581402965011117]
  スマートコントラクト脆弱性検出のためのLLMベースのフレームワークであるSAELを提案する。 まず、脆弱性を特定し、説明を生成するためにLSMを誘導するプロンプトを設計する。 次に、CodeT5とT5のプロンプトチューニングをコントラクトコードと説明処理に適用し、タスク固有のパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2025-07-30T04:28:00Z)
• Reasoning with LLMs for Zero-Shot Vulnerability Detection [0.9208007322096533]
  textbfVulnSageは,多種多様な大規模オープンソースソフトウェアプロジェクトから収集した,総合的な評価フレームワークである。 このフレームワークは、関数レベル、ファイルレベル、関数間の複数の粒度解析をサポートする。 Baseline、Chain-of-context、Think、Think & verifyの4つの異なるゼロショットプロンプト戦略を採用している。
  論文  参考訳（メタデータ） (2025-03-22T23:59:17Z)
• EnStack: An Ensemble Stacking Framework of Large Language Models for Enhanced Vulnerability Detection in Source Code [1.9374282535132379]
  本稿では,自然言語処理(NLP)技術を用いた脆弱性検出を支援する,新たなアンサンブルスタックフレームワークであるEnStackを紹介する。 本手法は,コード理解に特化した複数の事前学習型大規模言語モデル(LLM)を相乗化する。 メタ分類器はそれぞれのLSMの強度を集約し、微妙で複雑な脆弱性を検知する包括的なモデルをもたらす。
  論文  参考訳（メタデータ） (2024-11-25T16:47:10Z)

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。