22LLMSecEval数据集及其在评估大模型代码安全中的应用：GPT3和Codex根据LLMSecEval的提示生成代码和代码补全，CodeQL进行安全评估【网安AIGC专题11.22】
写在最前面本文为邹德清教授的《网络安全专题》课堂笔记系列的文章，本次专题主题为大模型。李元鸿同学分享了LLMSecEval: A Dataset of Natural Language Prompts for Security Evaluations《LLMSecEval：用于评估大模型代码安全的自然语言提示数据集》分享时的PPT简洁大方，重点突出LLMSecEval数据集及其在评估大型语言模型....
20源代码模型的数据增强方法：克隆检测、缺陷检测和修复、代码摘要、代码搜索、代码补全、代码翻译、代码问答、问题分类、方法名称预测和类型预测对论文进行分组【网安AIGC专题11.15】
写在最前面本文为邹德清教授的《网络安全专题》课堂笔记系列的文章，本次专题主题为大模型。一位同学分享了Data Augmentation Approaches for Source Code Models: A Survey《源代码模型的数据增强方法：综述》全英文PPT，又学了很多专业术语英文排版好好看，感觉这位同学是直接阅读的英文文献，然后根据论文做的PPT希望三年 争取一年内，我也能直接阅读（....
19ContraBERT：顶会ICSE23 数据增强+对比学习+代码预训练模型，提升NLP模型性能与鲁棒性：处理程序变异（变量重命名）【网安AIGC专题11.15】
写在最前面随着大规模代码的崛起，无监督学习成为了提高代码预训练模型性能的有效手段。这些预训练模型在广泛的下游任务中表现出色，如自然语言处理和程序语言处理。例如，像CodeBERT和GraphCodeBERT这样的模型在预训练阶段通过大规模代码数据学到通用的表示，并在下游任务上进行微调，取得了优于传统监督学习方法的成绩。然而，这些模型在面对代码变异等挑战时，鲁棒性仍然有待提高。该论文关注的问题是：....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。