paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Exploring Large Language Models for Compliance Violation Detection in Android Apps

探索大语言模型用于 Android 应用合规违规检测
ICSE Proceedings of the 2026 IEEE/ACM 48th International Conference on Software Engineering2026匹配度 4/10 · 论文将 LLM 用于代码级合规违规检测，属于“LLM + 程序分析”的交叉应用，与用户对 AI→PL 方向的兴趣有一定重叠；但其研究目标本质是评估 LLM 能力本身，且面向移动隐私合规这一具体领域，不涉及静态分析形式化、Agentic 程序、浮点或贝叶斯程序分析，方法和贡献与用户核心关切距离较远。引用 0 inbox
Huaijin Ran, Haoyi Zhang, Xunzhu Tang
机器学习与程序语言安全与隐私
crossref: 2026-09-12

AI 速览

一句话：首次评估 LLM 在 Android 应用中检测隐私合规违规，发现模型专长随检测粒度与法规而变化。

隐私法规（GDPR、LGPD、PDPA、PIPEDA）对移动应用提出合规要求，但代码级合规验证仍十分耗时。本文首次系统评估大语言模型在 Android 应用中检测隐私合规违规的能力。作者构建了覆盖四部法规的标注数据集，每部包含 57 至 146 个实例，并在违规定位（文件、模块、行级别）与代码片段级分类任务上评估四个 LLM。实验揭示了粒度依赖的模型专长：Claude 系列擅长粗粒度分析（MAP 最高 0.66），而 GPT-4o 在细粒度检测上更优（Acc@1 0.48）；同时法规间性能差异显著，GDPR 与 PIPEDA 的得分约为 LGPD 与 PDPA 的两倍。这些发现为设计混合式合规验证系统提供了实证基础。

问题
移动应用需遵守多项隐私法规，但代码级合规违规验证仍依赖人工、成本高昂。
方法
构建覆盖 GDPR、LGPD、PDPA、PIPEDA 四部法规的标注数据集（每部 57–146 个实例），在文件/模块/行级违规定位与片段级分类任务上评估四个 LLM。
评估
用 MAP、Acc@1 等指标衡量不同 LLM 在不同检测粒度和不同法规下的性能，揭示粒度依赖的模型专长与法规间性能差距。
原文摘要（Abstract）

Privacy regulations (GDPR, LGPD, PDPA, PIPEDA) impose compliance requirements on mobile applications; verifying code-level adherence remains labor-intensive. We present the first evaluation of Language Models (LLMs) for detecting privacy compliance violations in Android applications. We construct annotated datasets spanning four regulations with 57 to 146 instances each, and evaluate four LLMs on violation localization (file, module, and line levels) and snippet-level classification. Experiments reveal granularity-dependent model specialization: Claude variants excel at coarse-grained analysis (MAP up to 0.66) while GPT-4o demonstrates superior fine-grained detection (Acc@1 0.48), alongside performance disparities—GDPR and PIPEDA yield twice the scores of LGPD and PDPA. These findings provide grounding for designing hybrid compliance verification systems.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot11613,
  title = {Exploring Large Language Models for Compliance Violation Detection in Android Apps},
  author = {Huaijin Ran and Haoyi Zhang and Xunzhu Tang},
  booktitle = {ICSE},
  year = {2026},
  doi = {10.1145/3774748.3795659}
}