CLeVeR：面向漏洞代码表征的多模态对比学习

基于摘要分析。CLeVeR 面向自动化代码漏洞检测，针对现有代码表征偏重整体语义、难以捕获漏洞特定语义的问题，利用漏洞描述作为监督，通过多模态对比学习构建漏洞代码表征。其主要研究对象是代码与自然语言漏洞描述，而非 EEG 或 BCI。 方法包括 Adapter、Representation Refinement module 和 Description Simulator，分别用于缓解代码与描述之间的语义错位、语义不平衡，以及预训练与微调阶段的输入数据不一致。摘要未说明具体对比损失、样本配对策略、模块结构，以及推理时是否需要真实漏洞描述，这些机制细节尚未验证。 作者报告，在漏洞检测与漏洞分类任务上，F1 分别为 72.82% 和 80.34%；其中检测结果来自摘要所称的真实世界数据集。作者还报告，模型在零样本推理中优于所比较的方法，但未提供对应数值。摘要未给出数据集名称、划分方式、对照基线及 F1 的平均方式，因此不能据此判断不同结果的可比性。摘要所述相对既有方法的提升，其百分比与百分点口径也需核对正文。 实验协议、消融及统计信息尚未验证。复现时需核对漏洞描述的构建与使用阶段、预训练与微调的数据关系，以及 Description Simulator 的具体作用。材料未提供与 EEG/BCI 的具体机制对应关系，不能据此推断其在神经信号表征中的有效性。