ICLRNov, 2017

学习使用图形来表示程序

PDF
TL;DR本文介绍了如何使用图表示代码的句法和语义结构，并使用基于图的深度学习方法来学习对程序结构进行推理的方法。作者在两个任务上对该方法进行了评估：VarNaming 和 VarMisuse，结果表明使用已知结构的建模方法具有优势，并且可以在许多情况下学习推理有意义的变量名和解决 VarMisuse 任务，并且 VarMisuse 还可以发现成熟开源项目中的错误。
source codegraphsgraph-based deep learningvarnamingvarmisuse
发现论文，激发创造
  • 基于图的生成式编码建模

    本研究提出了一种新的基于图的生成模型，可用于产生源代码中的语义有意义的表达式，并在实验中胜过多种强基线模型。

    May, 2018

  • 使用基于图结构的缓存实现源代码的开放式词汇学习

    该文研究如何通过引入图结构缓存来解决程序源代码中可能遇到的新单词识别和定位的问题，并结合最新的基于图神经网络模型的方法，提高了模型在代码补全和变量命名任务上的性能。

    Oct, 2018

  • 程序之间变量映射的图神经网络 -- 扩展版

    提出使用图神经网络（GNNs）基于程序的抽象语法树（ASTs）将变量集合映射到两个程序之间，以修复初级编程作业（IPAs）中初学者经常出现的错误，并在实验中表明，与当前最先进的程序修复方法相比，仅基于变量映射的方法可以修复大约 88.5％的错误程序。

    Jul, 2023

  • 学习用异构图表示程序

    本研究提出了从源代码的抽象语法树构建异构编程图用于方法命名和代码注释生成的方法，并使用异构图神经网络学习这些图。实验结果表明，利用编程图中节点和边的类型信息可以帮助学习程序语义，本方法优于基线模型。

    Dec, 2020

  • 编程语言处理的多视角图形表示：算法检测研究

    本文提出了一种多视图图形编程表示方法，使用图形神经网络处理数据和控制流，并在此基础上评估了该方法在算法检测中的性能，结果表明这种方法比先前的方法表现得更好。

    Feb, 2022

  • 代码的通用表示方法

    本研究提出了一种基于图形的代码表示技术，并通过有效的预训练策略生成通用代码表示。通过在真实数据集上的测试，表明该方法在方法名称预测和代码图链接预测方面具有最先进的结果。

    Mar, 2021

  • 变量是软件漏洞预测中的诅咒

    基于深度学习的软件漏洞预测方法，利用基于名字依赖的抽象语法图和三属性编码方案，能够去除代码中具体变量名，从而学习隐藏在不同代码表达中的软件功能，并且在漏洞预测和内存使用方面优于现有方法。

    Jun, 2024

  • 学习图的深度生成模型

    本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

    Mar, 2018

  • Transformer 模型对于源代码的学习

    文章提出了利用聚合注意力得分和注意力图从预训练模型自动提取程序图的方法，并将该方法应用于变量误用任务中，证明了自动提取的程序图具有极高的有意义和有效性。

    Jul, 2022

  • 通过神经代码融合学习执行

    本篇论文提出利用图神经网络（Graph Neural Networks，GNNs）来学习通用源代码及其执行的融合表示的新方法，通过一个定义于低级表示的源代码和程序状态的多任务 GNN，成功地将复杂的源代码结构和复杂的数据结构转换为更简单，更一致的格式，引领 GNN 的新应用领域，其应用到具有挑战性的动态任务（SPEC CPU 基准套件中的分支预测和预抓取），超越现有技术水平 26％和 45％，并用于表现高性能的传输学习间接相关任务（算法分类）。

    Jun, 2019