研究人员开发了一个新颖的框架，以应对使用大语言模型（LLMs）进行智能合约漏洞检测的挑战。提出的三阶段流程解决了参数高效适应、灾难性遗忘和适配器合并问题。适应阶段利用具有每频率重要性门的频率感知低秩适应（FA-LoRA），需要最少的训练参数。持续学习阶段采用遗忘感知回放（FAR）来优先回放易受攻击的知识，实现了0.8022的微F1分数。最后，锚点保护渐进合并（APPM）将多个适配器合并成一个模型，以最小的开销保持高性能。 AI
影响 该框架可以提高LLMs在识别智能合约中不断变化的潜在安全威胁方面的效率和有效性。
排序理由 详细介绍LLM应用新框架和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Anchor-Protected Progressive Merging
- DIVE
- FA-LoRA
- Forget-Aware Replay
- Frequency-Aware Continual Learning for Smart Contract Vulnerability Detection with Large Language Models
- Frequency-Aware Low-Rank Adaptation
- Large Language Models
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
