0.4%参数吊打LoRA！新框架让智能合约漏洞检测连续学习不遗忘
Frequency-Aware Continual Learning for Smart Contract Vulnerability Detection with Large Language Models
👨💼 主理人解读 · 为什么值得关注
用频率感知持续学习检测智能合约漏洞，适配新漏洞类别并缓解灾难性遗忘。
📖 AI 总结
该研究提出了一种面向智能合约漏洞检测的持续学习框架，以应对大语言模型在检测任务中面临的三个关联挑战：新漏洞类别需要参数高效适配、顺序任务训练导致灾难性遗忘、以及推理时任务身份未知需整合多适配器。框架采用三阶段流水线：频率感知低秩适配（FA-LoRA）在傅里叶域进行参数高效微调，仅需0.4%可训练参数即优于标准LoRA；遗忘感知重放（FAR）利用频率门控估计样本遗忘风险并优先回放易遗忘知识，在顺序任务上取得0.8022的平均Micro-F1；锚点保护渐进合并（APPM）通过识别泛化能力最强的适配器作为锚点，将多适配器合并为单一模型，达到0.8085的Micro-F1，接近独立任务上限，合并耗时仅156毫秒且不增加运行时内存。实验验证了该框架能有效应对区块链生态演化中的漏洞检测需求。
🔑 关键词速览
| FA-LoRA | 频率感知低秩适配，一种在傅里叶域进行参数高效微调的方法，使用逐频率重要性门控。 |
| FAR | 遗忘感知重放，一种持续学习策略，通过损失动态估计遗忘风险并优先重放易遗忘样本。 |
| APPM | 锚点保护渐进合并，一种将多个适配器合并为单一模型的方法，利用锚点适配器进行加权合并。 |
| 灾难性遗忘 | 神经网络在学习新任务时丢失先前任务知识的现象。 |
| Micro-F1 | 一种综合精确率和召回率的评估指标，适用于多类别不平衡分类任务。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅