计算机科学 > 软件工程
[提交于 2025年7月23日
]
标题: 调查AI编码器中的训练数据检测
标题: Investigating Training Data Detection in AI Coders
摘要: 代码大语言模型(CodeLLMs)的最新进展使其成为现代软件工程中不可或缺的工具。 然而,这些模型偶尔会产生包含专有或敏感代码片段的输出,引发了对训练数据潜在非合规使用的担忧,并对隐私和知识产权构成了风险。 为了确保CodeLLMs负责任且合规的部署,训练数据检测(TDD)已成为一项关键任务。 尽管最近的TDD方法在自然语言环境中显示出潜力,但它们在代码数据上的有效性仍大多未被探索。 考虑到代码的结构化语法与自然语言相比具有不同的相似性标准,这一差距尤为重要。 为了解决这个问题,我们对源代码数据上的七种最先进的TDD方法进行了全面的实证研究,评估它们在八种CodeLLMs上的性能。 为了支持这项评估,我们引入了CodeSnitch,这是一个功能级别的基准数据集,包含三种编程语言的9000个代码样本,每个样本都明确标记为是否包含在CodeLLM训练中。 除了在原始CodeSnitch上的评估外,我们设计了针对性的变异策略,在三种不同的设置下测试TDD方法的鲁棒性。 这些变异策略基于广为人知的Type-1到Type-4代码克隆检测分类法。 我们的研究对当前的代码TDD技术进行了系统评估,并为未来开发更有效和稳健的检测方法提供了见解。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.