以下は、提示された論文「GoCoMA: Hyperbolic Multimodal Representation Fusion for Large Language Model-Generated Code Attribution」の技術的な要約です。

GoCoMA: 大規模言語モデル生成コードの帰属特定のための双曲多モーダル表現融合

1. 問題定義 (Problem)

大規模言語モデル（LLM）は、人間が書いたコードと区別がつかないほど高品質なコードを生成できるようになりました。これにより、セキュリティ脆弱性、ライセンスの曖昧さ、著作権侵害などの懸念が生じています。
従来のコード帰属特定（Code Authorship Attribution: CAA）の研究は、主にソースコードのスタイル（命名規則、構文木など）や実行時の振る舞いに依存してきました。しかし、これらの手法には以下の限界があります。

• 深層的な信号の欠如: ソースコードのみでは、コンパイルやツールチェーンによって形成される低レベルのバイナリ特性（バイトセマンティクス）を見逃している。
• 階層構造の無視: ソースコード（高レベルの構文・意味）とバイナリ（低レベルの最適化パターン）の間には本質的な階層関係があるが、従来のユークリッド空間での融合手法ではこの関係を適切に捉えられない。
• 多言語・多モデルへの対応不足: 既存の深層学習アプローチや透かし技術は、多言語環境や透かしが適用されていない事前生成コードに対して有効でない場合がある。

2. 提案手法：GoCoMA (Methodology)

著者は、ソースコードとそれをコンパイルして得られる「バイナリ事前実行可能アーティファクト（BPEA）」を画像として扱うことを組み合わせ、**双曲空間（Hyperbolic Space）**上で融合する新しいフレームワーク「GoCoMA」を提案しました。

2.1 多モーダル入力

1. コード表現 (Code Modality):
   • 事前学習済みコード言語モデル（Code PLMs: CodeT5+, Qwen2.5-Coder, UniXcoder, CodeBERT）を使用して、ソースコードの構文・意味的特徴を抽出します。
2. 画像表現 (Image Modality):
   • ソースコードをコンパイルして得られる BPEA（.o, .class, .pyc など）を、バイト列をピクセル値に変換して RGB 画像（BPEA 画像）に変換します。
   • 事前学習済みビジョンモデル（Vision PTMs: ConvNeXt, EfficientNetV2, ViT, MaxViT）を使用して、コンパイルによる低レベルの最適化パターンやバイトレイアウトを抽出します。

2.2 双曲空間への射影と融合

GoCoMA の核心は、ユークリッド空間ではなく**ポアンカレ球（Poincaré ball）**と呼ばれる負の曲率を持つ双曲空間で融合を行う点にあります。

• 射影 (Projection): コードと画像のユークリッド埋め込みを、リーマン幾何学の指数写像（Exponential map）を用いて双曲空間へ射影します。これにより、モダリティ間の階層構造（高レベルの構文と低レベルのバイナリ特性の関係）を保存します。
• GCSA (Geodesic Cosine Similarity Attention):
  • 双曲空間内でのみ動作する「測地線コサイン類似度（Geodesic Cosine Similarity）」に基づいたクロスモーダル注意機構を導入します。
  • モビウス加算（Möbius addition）や双曲線性行列を用いて、コードと画像の特徴を双曲空間内で統合します。
  • これにより、ユークリッド空間では失われがちな「粗い抽象から細かい詳細へ」の階層的な依存関係を保持したまま融合できます。
• 逆射影 (Back-Projection): 融合された双曲ベクトルを対数写像（Logarithmic map）を用いてユークリッド空間に戻し、最終的な分類器（Softmax）に入力して LLM の帰属を判定します。

3. 主要な貢献 (Key Contributions)

1. 新たな CAA の視点: ソースコードと、変換された BPEA 画像を補完的なマルチモーダル信号として統合し、抽象化レベル間の「外生的な階層（extrinsic hierarchy）」を初めてモデル化しました。
2. 幾何学的に意識された融合フレームワーク: ポアンカレ球内の測地線コサイン類似度に基づくクロスモーダル注意機構（GCSA）を備えた、幾何学的に意識された双曲多モーダルフレームワーク「GoCoMA」を提案しました。
3. 高性能な実証: 2 つのオープンソースベンチマーク（CoDET-M4 と LLMAuthorBench）において、単一モーダルモデル、ユークリッド空間での多モーダル融合、および最新の LLM ベースのアプローチをすべて上回る性能を達成しました。

4. 実験結果 (Results)

• データセット:
  • CoDET-M4: 49 万件以上のコードサンプル（C++, Java, Python）、人間と 5 種類の LLM（CodeLlama, GPT-4o など）による生成。
  • LLM-AuthorBench: 8 種類の最先端 LLM による 32,000 件の C プログラム。
• 性能:
  • GoCoMA は、LLMAuthorBench で最高 98.92% (Accuracy)、93.82% (Macro-F1) を記録しました。
  • CoDET-M4 でも 89.00% (Accuracy) を達成し、既存の最良の手法を大幅に上回りました。
  • 比較: ユークリッド空間での単純な結合（Concatenation）やクロスアテンションよりも、双曲空間での融合（Möbius 加算）の方が性能が向上し、GoCoMA（GCSA 併用）が最も高い精度を示しました。
  • LLM ベースラインとの比較: 汎用 LLM（GPT-5.1, Gemini 3 Pro など）をゼロショットまたはフューショットで利用した場合でも、GoCoMA の性能（例：LLMAuthorBench で 98.92%）は大幅に上回りました（GPT-5.1 は 75.22%）。
• アブレーション研究:
  • ソースコード単体よりも BPEA 画像単体の精度は低いものの、両者を融合することで相補的な効果が得られることが確認されました。
  • 特に、高容量のコード PLM（CodeT5+ など）と ViT（Vision Transformer）を組み合わせ、GCSA で融合する構成が最も効果的でした。

5. 意義と結論 (Significance)

この研究は、ソフトウェアフォレンジクスにおいて、「コードの構文・意味的特徴」と「コンパイルされたバイナリの低レベル特性」の階層関係を、双曲幾何学を用いて効率的にモデル化できることを実証しました。

• 技術的意義: ユークリッド空間では表現が困難な階層的なデータ構造を、双曲空間の負の曲率特性を活用することで忠実に捉え、マルチモーダル融合の精度を飛躍的に向上させました。
• 実用的意義: 生成されたコードの出自を特定する信頼性の高い手法を提供し、セキュリティリスクの特定やライセンス問題の追跡に貢献します。特に、透かし技術が適用されていない既存のコードや、多言語・多モデル環境においても有効なアプローチです。

今後は、異なるコンパイラやツールチェーンへの頑健性、および動的実行トレースの統合など、さらなる一般化が課題となりますが、GoCoMA は LLM 生成コードの帰属特定における新しいパラダイムを示す重要な成果です。