Securing Code Understanding: Detecting Natural Backdoor Vulnerability in Code Language Models
本文针对代码语言模型(CodeLMs)中的自然后门漏洞进行了深入的实证研究。自然后门是指模型在正常训练过程中无意习得的后门行为,与通过数据投毒注入的后门不同,其产生机制与模型内部表征有关。研究覆盖了多种模型架构(如GPT、BERT变体)和代
共收录 2 条相关情报。
← 返回所有主题本文针对代码语言模型(CodeLMs)中的自然后门漏洞进行了深入的实证研究。自然后门是指模型在正常训练过程中无意习得的后门行为,与通过数据投毒注入的后门不同,其产生机制与模型内部表征有关。研究覆盖了多种模型架构(如GPT、BERT变体)和代
本研究针对漏洞修复提交(VFC)的自动化检测问题进行了系统性的实证评估。背景是:安全补丁部署的及时性至关重要,但官方漏洞建议库(advisory databases)平均比补丁发布延迟25天,且许多修复从未被收录为建议。当前该领域存在超过2