Il rapporto di ricerca “An efficient fine-tuned LLM for the prediction of vulnerability risk score” è stato selezionato per la pubblicazione
11/09/2026
Il rapporto di ricerca “An efficient fine-tuned LLM for the prediction of vulnerability risk score“, realizzato dai colleghi Roberto Lorusso, Antonio Maci, Alessandro Santorsola, Pietro Spalluto e Stefano Valcada del CyberLab BV TECH di Grottaglie e Rutigliano, è stato selezionato per la pubblicazione nel volume “Lecture Notes in Artificial Intelligence” di Springer, appartenente alla serie “Lecture Notes in Computer Science”. La ricerca consolida e amplia i risultati scientifici presentati nella 18ª edizione della “International Conference on Agents an Artificial Intelligence” (ICAART 2026) nel rapporto di ricerca “JewelCVSS: A Domain-Tuned LLM for Automated Vulnerability Scoring”, realizzato dagli stessi autori, il cui valore è stato già riconosciuto dalla comunità scientifica con l’assegnazione del premio “Best Industrial Paper Award”.
Il rapporto di ricerca valida e conferma l’efficiacia della procedura di fine-tuning proposta come elemento determinante dei miglioramenti prestazionali evidenziati sperimentalmente, indipendentemente dall’evoluzione del modello di linguaggio (LLM), applicando lo stesso perimetro sperimentale sulle più recenti evoluzioni dei modelli base Gemma4. La ricerca è stata svolta nell’ambito delle attività previste dal Contratto di Programma “Suite prodotti cybersecurity e SOC”.
Progetto finanziato dal Fondo Europeo di Sviluppo Regionale Puglia POR Puglia 2014 – 2020 – Asse I – Obiettivo specifico 1a – Azione 1.1 (R&S), e con il supporto dell’Università di Bari e del Massachusetts Institute of Technology (MIT).