論文の概要: SymLift: Neural Semantic Lifting for Compile-Free Vulnerability Detection in Context-Incomplete Code Fragments
- arxiv url: http://arxiv.org/abs/2610.34431v1
- Date: Sun, 25 Oct 2026 16:38:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.613307
- Title: SymLift: Neural Semantic Lifting for Compile-Free Vulnerability Detection in Context-Incomplete Code Fragments
- Title（参考訳）: SymLift: 文脈不完全コードフラグメントにおけるコンパイル不要脆弱性検出のためのニューラルネットワークセマンティックリフティング
- Abstract要約: 我々は、文脈不完全コードフラグメントのための脆弱性指向ニューラルセマンティックリフティングを中心にした、コンパイル不要のフレームワークであるSymLiftを紹介する。
大規模言語モデルは、完全なプロジェクトコンテキストを再構築することなく、脆弱性関連制御フロー、データフロー、メモリ、リソース関係を再構築する。
SymLift on FormAI, Juliet, MegaVul。
- 参考スコア（独自算出の注目度）: 15.149943510497797
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Missing project context can prevent build-dependent analyzers from constructing program relations required for vulnerability detection, while neural predictions alone do not establish auditable derivations. We present SymLift, a compile-free framework centered on Vulnerability-Oriented Neural Semantic Lifting for context-incomplete code fragments. A fine-tuned large language model reconstructs vulnerability-relevant control-flow, data-flow, memory, and resource relations in a constrained LLVM-like intermediate representation (IR), without reconstructing the full project context or directly predicting vulnerability labels. A deterministic parser validates the IR and maps its supported operations and relations into normalized evidence facts. Explicit Datalog rules derive findings with supporting facts and derivation traces, ensuring deterministic reasoning for fixed facts and rules. We evaluate SymLift on FormAI, Juliet, and MegaVul. Reducing complete Juliet programs to function-level fragments lowers Clang compilation success from 100% to 12.00%, whereas SymLift's analysis completion rate decreases by only 1.17 percentage points. After task-specific fine-tuning, the lifter achieves a control-flow intersection over union (IoU) of 96.85% on FormAI. SymLift-Qwen-7B achieves a Target-F1 of 94.41% on FormAI and, across six vulnerability families on MegaVul, a micro-averaged precision of 98.24% and a micro-averaged Target-F1 of 91.66%. These results support accurate and auditable detection in the evaluated context-incomplete settings, even with partial program relations.
- Abstract（参考訳）: プロジェクトコンテキストの欠如は、ビルド依存アナライザが脆弱性検出に必要なプログラム関係を構築するのを防ぐ。
我々は、文脈不完全コードフラグメントのための脆弱性指向ニューラルセマンティックリフティングを中心にした、コンパイル不要のフレームワークであるSymLiftを紹介する。
微調整された大きな言語モデルは、脆弱性関連制御フロー、データフロー、メモリ、リソースの関係を制約付きLLVMのような中間表現(IR)で再構築する。
決定論的パーザはIRを検証し、サポート対象の操作と関係を正規化された証拠事実にマッピングする。
明示的なデータログ規則は、特定の事実と規則に対する決定論的推論を保証するために、事実と導出トレースを支持する発見を導出する。
SymLift on FormAI, Juliet, MegaVul。
関数レベルのフラグメントへの完全ジュリエットプログラムの削減により、Clangのコンパイル成功率は100%から12.00%に低下する一方、SymLiftの分析完了率は1.17ポイントしか低下しない。
タスク固有の微調整の後、リフターはFormAI上で96.85%の結合(IoU)上の制御フローの交差点を達成する。
SymLift-Qwen-7Bは、FormAI上で94.41%のターゲットF1、MegaVul上の6つの脆弱性ファミリー、98.24%のマイクロ平均精度、および91.66%のマイクロ平均ターゲットF1を達成する。
これらの結果は、部分的なプログラム関係であっても、評価された文脈不完全設定における正確かつ監査可能な検出を支援する。
関連論文リスト
- SEMA-GUARD: Semantic and Graph-Based Vulnerability Detection in Assembly Code [0.0]
SEMA-GUARDは、セマンティック分析とグラフニューラルネットワークを使用してアセンブリコードの欠陥を識別するフレームワークである。
ジュリエットテストスイートに基づくセットは、SEMA-GUARDの有効性を評価するために使用された。
論文 参考訳（メタデータ） (2026-09-15T14:35:18Z) - Verify Before You Fix: Agentic Execution Grounding for Trustworthy Cross-Language Code Analysis [0.0]
ソフトウェア脆弱性分析のための言語横断的な脆弱性ライフサイクルフレームワークを構築します。
89.84-92.02%の言語内検出精度,74.43-80.12%のゼロショット言語F1。
これらの結果は,LLM駆動型エージェントAIのための原理的かつ実用的に展開可能なメカニズムであることを示す。
論文 参考訳（メタデータ） (2026-04-12T20:22:23Z) - SemLoc: Structured Grounding of Free-Form LLM Reasoning for Fault Localization [6.086377855676357]
本稿では,構造化セマンティックランタイムに基づくフォールトローカライゼーションフレームワークSemLocを紹介する。
SemLoc on SemFault-250, acorpus of 250 Python program with single semantic faults。
論文 参考訳（メタデータ） (2026-03-31T00:56:43Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Beyond Function-Level Analysis: Context-Aware Reasoning for Inter-Procedural Vulnerability Detection [13.077617614021863]
本稿では,コンテキスト認識型脆弱性検出フレームワークCPRVulを提案する。
CPRVulは関数のみのベースラインを一貫して上回ることを示す。
また、処理コンテキストが構造化推論とペアリングされている場合にのみゲインが発生することを示す。
論文 参考訳（メタデータ） (2026-02-06T14:49:49Z) - Learning More from Less: Unlocking Internal Representations for Benchmark Compression [37.69575776639016]
異種隠蔽状態を統一潜在空間に整列させて代表コアセットを構成するREPCOREを導入する。
5つのベンチマークと200以上のモデルの実験は、ランキングの相関と推定精度において、出力ベースラインよりも一貫した利得を示している。
論文 参考訳（メタデータ） (2026-01-31T13:11:39Z) - VIRO: Robust and Efficient Neuro-Symbolic Reasoning with Verification for Referring Expression Comprehension [51.76841625486355]
Referring Expression (REC) は、自然言語クエリに対応する画像領域をローカライズすることを目的としている。
最近のニューロシンボリックRECアプローチは、大規模言語モデル(LLM)と視覚言語モデル(VLM)を利用して構成推論を行う。
推論ステップ内に軽量な演算子レベルの検証器を組み込む,ニューロシンボリックなフレームワークであるVIROを紹介する。
論文 参考訳（メタデータ） (2026-01-19T07:21:19Z) - 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) - Fixing Model Bugs with Natural Language Patches [38.67529353406759]
私たちは、開発者が適切な抽象化レベルで修正的なフィードバックを提供できるように、自然言語パッチを調査します。
少量の合成データを用いて、実際のデータに実際のパッチを効果的に利用するモデルを教えることができることを示す。
また、少数の言語パッチのパフォーマンスに合わせるために、ラベル付き例を100個まで微調整する必要があることも示している。
論文 参考訳（メタデータ） (2022-11-07T05:49:19Z)
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。