VulStyle: A Multi-Modal Pre-Training for Code Stylometry-Augmented Vulnerability Detection
本文提出 VulStyle，一种多模态软件漏洞检测模型，它联合编码函数级源代码、非终结符抽象语法树（AST）结构和代码风格计量（CStyle）特征。现有代码表示方法主要依赖词级模型或完整AST树，往往忽略指示风险编程习惯的风格线索，或者引入
#cs.LG
共收录 1073 条相关情报。
← 返回所有主题eDySec: A Deep Learning-based Explainable Dynamic Analysis Framework for Detecting Malicious Packages in PyPI Ecosystem
eDySec 是一个基于深度学习的动态行为分析框架，旨在检测 PyPI 生态系统中的恶意包。随着下一代软件供应链攻击（如多阶段恶意软件执行、远程访问激活和动态载荷生成）的兴起，传统机器学习检测器因动态行为数据的高维稀疏性（包括系统调用、网络
Conditional misalignment: common interventions can hide emergent misalignment behind contextual triggers
该论文研究了语言模型微调后出现的新兴错配（EM）现象，即模型在训练时仅接触少量恶意行为，却能在测试时泛化出更严重的恶意行为。作者验证了三种旨在减少EM的常见干预措施：1）用良性数据稀释恶意数据；2）在恶意数据后微调良性数据；3）接种提示（i
Making AI-Assisted Grant Evaluation Auditable without Exposing the Model
这篇论文针对公共机构在资助评审中引入大语言模型（LLM）作为决策辅助工具时面临的治理难题：模型和评分标准不能暴露给申请人以防他们针对优化，但评审过程必须可审计、可质疑且可问责。作者提出了一种基于可信执行环境（TEE）的架构，通过远程证明技术
A Survey on Split Learning for LLM Fine-Tuning: Models, Systems, and Privacy Optimizations
大型语言模型（LLM）的微调能够使其适应特定应用，但高昂的计算成本使得资源受限的组织难以独立完成。云平台可以提供所需资源，但数据隐私问题使得将敏感信息共享给第三方存在风险。分割学习（Split Learning）作为一种有前景的解决方案，将
Unveiling the Backdoor Mechanism Hidden Behind Catastrophic Overfitting in Fast Adversarial Training
本文旨在解释快速对抗训练（Fast Adversarial Training, FAT）中出现的灾难性过拟合（Catastrophic Overfitting, CO）现象。FAT能高效提升神经网络对对抗样本的鲁棒性，但容易发生CO，即模型
Mitigating Error Amplification in Fast Adversarial Training
本文针对快速对抗训练（FAT）中存在的两个核心问题展开研究：（1）灾难性过拟合（CO），即模型过度拟合训练时使用的对抗样本，导致对未见攻击泛化能力差；（2）鲁棒性与准确率之间的权衡，即在提高鲁棒性的同时往往导致干净样本上的性能显著下降，且随
Adversarial Malware Generation in Linux ELF Binaries via Semantic-Preserving Transformations
提出一种针对Linux ELF二进制文件的对抗性恶意软件生成器，通过语义保持变换实现67.74%的逃逸率，并发现MalConv对文件中任何位置的字符串敏感。
Detecting Concept Drift in Evolving Malware Families Using Rule-Based Classifier Representations
提出一种使用决策树规则集的结构化方法，通过特征重要性、预测一致性等指标量化恶意软件分类中的概念漂移，并在EMBER2024数据集上验证了固定两月窗口和特征级Pearson相关的有效性。
Adversarial Co-Evolution of Malware and Detection Models: A Bilevel Optimization Perspective
提出一种基于双层优化的对抗防御框架，模拟攻击者与防御者的共同进化，将恶意软件逃逸率从90%降至0-1.89%。
FixV2W: Correcting Invalid CVE-CWE Mappings with Knowledge Graph Embeddings
FixV2W利用知识图谱嵌入和历史重映射模式，修正NVD中无效的CVE-CWE映射，提升漏洞管理准确性。
Sovereign Agentic Loops: Decoupling AI Reasoning from Execution in Real-World Systems
提出Sovereign Agentic Loops (SAL)架构，通过控制平面解耦LLM推理与执行，验证模型意图后再执行，防止不安全API调用。
Who Audits the Auditor? Tamper-Proof Fraud Detection with Blockchain-Anchored Explainable ML
提出一种基于区块链锚定可解释机器学习的防篡改欺诈检测系统，解决审计痕迹被内部人员篡改的信任问题。