论文题目：《Enhancing vulnerability detection by fusing code semantic features with LLM-generated explanations》
论文第一作者：田振洲
期刊名称：Information Fusion
论文链接：https://www.sciencedirect.com/science/article/pii/S1566253525005238
论文概述：
背景：现有漏洞检测方法大多依赖代码结构与语法特征，但对于复杂语义逻辑与隐蔽风险模式的建模能力仍然有限。随着大语言模型（LLM）在代码理解方面展现出强大潜力，我们尝试将 LLM 生成的自然语言解释引入漏洞检测任务，以增强模型对代码上下文语义与潜在风险的感知能力。
核心工作：提出了一种融合代码语义与 LLM 文本解释的多模态漏洞检测框架 FuSEVul，主要包括：（1）利用精心设计的 Prompt，引导 LLM 自动生成具有功能感知与风险感知的代码解释；（2）分别采用预训练代码模型与自然语言模型，对源代码与文本解释进行语义编码；（3）设计基于自注意力机制的跨模态融合方法，加强代码特征与文本特征之间的交互关联，从而更精准地捕获漏洞相关信息。
实验结果：在三个公开数据集上的实验表明，FuSEVul 在 Accuracy、F1 等指标上均优于现有主流方法；LLM生成的文本解释能够有效增强模型对代码上下文语义的理解；在小样本场景下，FuSEVul依然表现出良好的泛化能力与检测性能。图2展示了模型在不同小样本条件下的性能表现。
图1 FuSEVul的整体架构
图2 小样本环境下FuSEVul漏洞检测性能