論文の概要: PatchCon: Patch-aware Weighted Supervised Contrastive Learning for Vulnerability Detection
- arxiv url: http://arxiv.org/abs/2611.06583v1
- Date: Wed, 04 Nov 2026 14:39:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.138517
- Title: PatchCon: Patch-aware Weighted Supervised Contrastive Learning for Vulnerability Detection
- Title（参考訳）: PatchCon: 脆弱性検出のためのパッチ対応重み付きコントラスト学習
- Abstract要約: 機能レベルの脆弱性に対して,CodeBERTベースのパッチ対応コントラスト学習モデルを提案する。
PatchConは、脆弱なパッチ付き関数ペアを、修正によって導入されたセキュリティ関連の違いをキャプチャするために、より大きなコントラスト重みを持つハードネガティブとして扱う。
- 参考スコア（独自算出の注目度）: 2.548904650574671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated vulnerability detection is critical for securing modern software systems, yet existing learning-based approaches often treat functions as independent samples and underuse the supervision provided by vulnerability-fixing patches. In this paper, we propose PatchCon, a CodeBERT-based patch-aware contrastive learning model for function-level vulnerability detection. PatchCon jointly optimizes vulnerability classification and supervised contrastive learning, and treats vulnerable-patched function pairs as hard negatives with larger contrastive weights to capture subtle security-relevant differences introduced by fixes. To evaluate patch-level discrimination, we use two pairwise metrics that measure whether a model can correctly distinguish vulnerable functions from their patched counterparts. We evaluate PatchCon on PairVul-Linux through extensive experiments, including state-of-the-art comparisons, ablation studies, hyperparameter sensitivity analysis, and statistical significance testing. We also conduct fine-grained analyses by Common Weakness Enumeration (CWE) type, function length, and patch size, and further evaluate PatchCon on Linux kernel vulnerabilities disclosed after the training data cutoff. On PairVul-Linux, PatchCon outperforms representative pretrained code models and contrastive learning baselines on both classification and pairwise metrics, improves pairwise accuracy over the strongest reproduced baseline from 0.2060 to 0.3264, and achieves pairwise accuracy comparable to that of a GPT-4o-based large language model (LLM) method at a substantially lower cost. Among the reproduced models, PatchCon also achieves the highest pairwise accuracy on test pairs from Common Vulnerabilities and Exposures (CVE) entries unseen during training and on newly disclosed vulnerabilities.
- Abstract（参考訳）: 脆弱性の自動検出は、現代のソフトウェアシステムのセキュリティに不可欠だが、既存の学習ベースのアプローチでは、関数を独立したサンプルとして扱い、脆弱性修正パッチによって提供される監視を過小評価することが多い。
本稿では,機能レベル脆弱性検出のためのパッチ認識型コントラスト学習モデルであるPatchConを提案する。
PatchConは、脆弱性分類と教師付きコントラスト学習を共同で最適化し、脆弱なパッチ付き関数ペアを、より大きなコントラスト重みを持つハードネガティブとして扱い、修正によって導入された微妙なセキュリティ関連の違いを捉える。
パッチレベルの識別を評価するために、モデルが脆弱な機能とパッチされた機能とを正しく区別できるかどうかを測定する2つのペアワイズメトリクスを使用する。
我々はPairVul-Linux上のPatchConを、最先端の比較、アブレーション研究、ハイパーパラメータ感度分析、統計的意義試験など、幅広い実験を通じて評価した。
また、CWE型、関数長、パッチサイズによるきめ細かい解析を行い、トレーニングデータ遮断後のLinuxカーネル脆弱性のPatchConをさらに評価した。
PairVul-Linuxでは、PatchConは、代表的な事前訓練されたコードモデルと比較学習ベースラインを、分類とペアワイドのメトリクスの両方で上回り、最大再生ベースラインである0.2060から0.3264のペアワイズ精度を向上し、GPT-4oベースの大規模言語モデル(LLM)と同等のペアワイズ精度をほぼ低コストで達成している。
再現されたモデルの中で、PatchConは、トレーニング中や新たに公開された脆弱性に見えないCommon Vulnerabilities and Exposures(CVE)エントリから、テストペアに対して、最高のペアワイズ精度を達成する。
関連論文リスト
- COMPASS: Predicting the Relationship of Multiple Patches for Vulnerabilities with LLMs [37.74291589849797]
下流のメンテナは、既知のリスクを取り除くために、手動でパッチを適用する必要があります。
単一の脆弱性はしばしば複数のパッチに対応しており、ダウンストリームのパッチ導入を非常に複雑にしている。
大規模言語モデルと複数の脆弱性パッチの関係を予測する自動アプローチを提案する。
論文 参考訳（メタデータ） (2026-09-30T14:05:20Z) - Rethinking the Capability of Fine-Tuned Language Models for Automated Vulnerability Repair [5.847724760751716]
微調整された言語モデルを利用する学習ベースの自動脆弱性修正(AVR)技術は、脆弱性パッチの生成を約束している。
私たちの経験的研究は、最先端のモデルはトレーニングセットに過度に適合し、相互に排他的でないトレーニング、検証、テストセットを用いて評価されることを明らかにします。
学習ベースに適したテストベースベンチマークであるL-AVRBenchを導入し、マッチングベースのメトリクスの限界を克服し、モデルの真の修復能力を検証した。
論文 参考訳（メタデータ） (2025-12-27T16:12:43Z) - What Do They Fix? LLM-Aided Categorization of Security Patches for Critical Memory Bugs [46.325755802511026]
我々は、LLM(Large Language Model)と細調整された小言語モデルに基づく2つのアプローチを統合するデュアルメタルパイプラインであるLMを開発した。
LMは、OOBまたはUAFの脆弱性に対処する最近のLinuxカーネルのパッチ5,140のうち111つを、手作業による検証によって90の正の正が確認された。
論文 参考訳（メタデータ） (2025-09-26T18:06:36Z) - RePaCA: Leveraging Reasoning Large Language Models for Static Automated Patch Correctness Assessment [0.0]
本稿では,Large Language Models (LLM) を利用した新しい静的APCA手法であるRePaCAを紹介する。
提案手法は,83.1%の精度と84.8%のF1スコアで最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-07-30T11:21:09Z) - All Patches Matter, More Patches Better: Enhance AI-Generated Image Detection via Panoptic Patch Learning [45.37237171823581]
AI生成画像(AIGI)の指数的成長は、堅牢で一般化可能な検出方法の緊急の必要性を浮き彫りにしている。
本稿では,系統解析によるAIGI検出の2つの重要な原則を確立する。
論文 参考訳（メタデータ） (2025-04-02T06:32:09Z) - Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
半正直な設定で一貫したバックドア検出フレームワークを提案する。
本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。
特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
論文 参考訳（メタデータ） (2025-03-21T06:12:06Z) - Improving Adversarial Robustness to Sensitivity and Invariance Attacks
with Deep Metric Learning [80.21709045433096]
対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。
距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。
予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
論文 参考訳（メタデータ） (2022-11-04T13:54:02Z) - PatchCensor: Patch Robustness Certification for Transformers via
Exhaustive Testing [7.88628640954152]
Vision Transformer (ViT)は、他の古典的ニューラルネットワークと同様に非常に非線形であることが知られており、自然なパッチの摂動と逆パッチの摂動の両方によって容易に騙される。
この制限は、特に安全クリティカルなシナリオにおいて、実際の産業環境におけるViTの展開に脅威をもたらす可能性がある。
PatchCensorを提案する。このPatchCensorは、徹底的なテストを適用することで、ViTのパッチ堅牢性を証明することを目的としている。
論文 参考訳（メタデータ） (2021-11-19T23:45:23Z) - Checking Patch Behaviour against Test Specification [4.723400023753107]
パッチ動作とテスト仕様のフェールとの関連性について仮説を提案する。
次に、パッチの正当性を予測するための教師なし学習ベースシステムBATSを提案する。
論文 参考訳（メタデータ） (2021-07-28T11:39:06Z) - Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。
我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
論文 参考訳（メタデータ） (2020-10-26T04:44:43Z)
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。