ترجمه فارسی مقاله محاسبات بیزی مولد برای حداکثر مطلوبیت مورد انتظار

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی LLMSecCode: Evaluating Large Language Models for Secure Coding
عنوان مقاله به فارسی محاسبات بیزی مولد برای حداکثر مطلوبیت مورد انتظار
نویسندگان Anton Rydén, Erik Näslund, Elad Michael Schiller, Magnus Almgren
فرمت مقاله انگلیسی PDF
تعداد صفحات 26
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Cryptography and Security,Distributed, Parallel, and Cluster Computing,رمزنگاری و امنیت , توزیع شده , موازی و خوشه ای ,
توضیحات Submitted 28 August, 2024; originally announced August 2024. , Comments: This manuscript serves as a complementary technical report to the proceedings version, which will be presented at the International Symposium on Cyber Security, Cryptography, and Machine Learning (CSCML) 2024
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این نسخه خطی به عنوان یک گزارش فنی مکمل برای نسخه مجموعه مقالات ، که در سمپوزیوم بین المللی امنیت سایبر ، رمزنگاری و یادگیری ماشین (CSCML) ارائه می شود (CSCML) ارائه می شود.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The rapid deployment of Large Language Models (LLMs) requires careful consideration of their effect on cybersecurity. Our work aims to improve the selection process of LLMs that are suitable for facilitating Secure Coding (SC). This raises challenging research questions, such as (RQ1) Which functionality can streamline the LLM evaluation? (RQ2) What should the evaluation measure? (RQ3) How to attest that the evaluation process is impartial? To address these questions, we introduce LLMSecCode, an open-source evaluation framework designed to assess LLM SC capabilities objectively. We validate the LLMSecCode implementation through experiments. When varying parameters and prompts, we find a 10% and 9% difference in performance, respectively. We also compare some results to reliable external actors, where our results show a 5% difference. We strive to ensure the ease of use of our open-source framework and encourage further development by external actors. With LLMSecCode, we hope to encourage the standardization and benchmarking of LLMs' capabilities in security-oriented code and tasks.

چکیده به فارسی (ترجمه ماشینی)

استقرار سریع مدل های بزرگ زبان (LLMS) نیاز به بررسی دقیق تأثیر آنها بر امنیت سایبری دارد.کار ما با هدف بهبود روند انتخاب LLMS مناسب برای تسهیل برنامه نویسی ایمن (SC) است.این سؤالات تحقیق چالش برانگیز را ایجاد می کند ، مانند (RQ1) کدام عملکرد می تواند ارزیابی LLM را ساده تر کند؟(RQ2) ارزیابی چه اندازه باید باشد؟(RQ3) چگونه تصدیق کنیم که روند ارزیابی بی طرف است؟برای پرداختن به این سؤالات ، ما LLMSECCODE را معرفی می کنیم ، یک چارچوب ارزیابی منبع باز که برای ارزیابی عینی قابلیت های LLM SC طراحی شده است.ما اجرای LLMSecCode را از طریق آزمایشات تأیید می کنیم.در صورت تغییر پارامترها و اعلان ها ، به ترتیب 10 ٪ و 9 ٪ عملکرد را پیدا می کنیم.ما همچنین برخی از نتایج را با بازیگران خارجی قابل اعتماد مقایسه می کنیم ، جایی که نتایج ما اختلاف 5 ٪ را نشان می دهد.ما در تلاش هستیم تا سهولت استفاده از چارچوب منبع باز خود را تضمین کنیم و توسعه بیشتر بازیگران خارجی را ترغیب کنیم.با LLMSecCode ، امیدواریم که استاندارد سازی و معیار قابلیت های LLMS را در کد و وظایف امنیتی محور ترغیب کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.