MARGIN: 불균형 취약점 탐지를 위한 마진 인식 정규화 기하학

요약

본 논문은 소프트웨어 취약점 탐지에서 발생하는 빈도 및 난이도 불균형 문제를 해결하기 위해 MARGIN이라는 메트릭 기반 프레임워크를 제안합니다. 이 프레임워크는 적응형 마진 학습과 초구 프로토타입 모델링을 결합하여, 임베딩 공간의 기하학적 왜곡을 정규화하는 것이 핵심입니다. MARGIN은 분포 구조에 따라 동적으로 기하학적 정규화를 조정함으로써, 취약점 표현의 안정적인 결정 경계를 구축하고 분류 및 탐지 성능을 크게 향상시킵니다.

핵심 포인트

• 소프트웨어 취약점 데이터는 빈도 및 난이도 불균형 문제를 겪는다.
• MARGIN은 적응형 마진 메트릭 학습과 초구 프로토타입 모델링을 결합한 프레임워크이다.
• 기존의 불균형 문제는 임베딩 공간에 기하학적 왜곡을 유발한다.
• MARGIN은 분포 구조(von Mises-Fisher 집중도)를 기반으로 동적으로 기하학적 정규화를 수행하여 안정적인 결정 경계를 만든다.
• 실험 결과, MARGIN은 특히 불균형하고 까다로운 데이터셋에서 기존 모델 대비 우수한 성능과 강건성을 입증했다.