聚焦关键要素：Fisher引导的自适应多模态融合用于漏洞检测
软件工程
2026-04-24 v3 人工智能
密码学与安全
摘要
软件漏洞检测可形式化为二分类问题，用于判断给定代码片段是否包含安全缺陷。现有多模态方法通常在隐式假设下将由预训练模型提取的自然代码序列(NCS)表示与由图神经网络提取的代码属性图(CPG)表示进行融合，认为引入额外模态必然带来信息增益。通过实证分析，我们展示了这一假设的局限性：预训练模型已隐式地编码了大量结构信息，导致两个模态之间存在强重叠；此外，图编码器通常不如预训练语言模型在特征提取方面有效。因此，朴素的融合不仅难以获得互补信号，还可能因噪声传播而稀释有效的判别线索。为解决这些挑战，我们提出了基于Fisher信息的任务条件互补融合策略，通过量化任务相关性，将跨模态交互从全谱匹配转化为在任务敏感子空间内的选择性融合。我们的理论分析表明，在各向同性扰动假设下，该策略显著紧致了输出误差的上界。基于此洞见，我们设计了TaCCS-DFA框架，结合在线低秩Fisher子空间估计与自适应门控机制，实现高效的任务导向融合。在BigVul、Devign和ReVeal基准测试中，TaCCS-DFA在F1分数上提升最高可达6.3分，仅增加3.4%的推理延迟，同时保持较低的校准误差。
引用
@article{arxiv.2601.02438,
title = {Focus on What Matters: Fisher-Guided Adaptive Multimodal Fusion for Vulnerability Detection},
author = {Yun Bian and Yi Chen and HaiQuan Wang and ShiHao Li and Zhe Cui},
journal= {arXiv preprint arXiv:2601.02438},
year = {2026}
}