Feb, 2020

用图神经网络和增强流程抽象语法树来检测代码克隆

PDF
TL;DR本文提出了一种基于图神经网络 (GNN) 的程序控制流和数据流表示方法 FA-AST (flow-augmented abstract syntax tree)，并将其应用于代码克隆检测，相比基于抽象语法树 (AST) 的方法，在 Google Code Jam 和 BigCloneBench 数据集上均取得了更好的效果。
code clonessemantic clonesdeep learninggraph neural networksfa-ast
发现论文，激发创造
  • 基于抽象语法树 (AST) 的异构有向超图神经网络用于代码分类

    该研究提出了利用异构有向超图和异构有向超图神经网络处理代码分类的方法，并在公共的 Python 和 Java 代码数据集上测试，结果表明该方法可以提高代码理解和高阶数据相关性的表述。

    May, 2023

  • 源代码是图，而非序列：关于代码克隆检测的跨语言视角

    通过比较两个最先进模型 CodeBERT 和 CodeGraph 在两个基准数据集上的表现，本文论证了源代码克隆检测是一个图而非序列，并且基于图的方法在跨语言代码克隆检测上优于基于序列的方法。

    Dec, 2023

  • 使用图神经网络改进代码摘要

    本文提出了一种使用图神经网络的自动代码注释生成方法，该方法使用了源代码序列和图结构信息作为输入，使用 210 万个 Java 方法 - 注释对进行评估，并表明比四种基线技术均有所改进。

    Apr, 2020

  • 回归任务中树状神经网络的行为分析

    本文通过解析抽象语法树（AST）推测了基于树状神经网络模型的行为，并提出了一种双重变换器方法，通过源代码标记和 AST 表示进行交叉注意力机制的操作，进一步探索了图神经网络（GNN）对于基于树状问题的适应性，实证评估发现，我们的双重变换器模型在各种数据集上表现出色，优于其他基于树状神经网络和基于 GNN 的模型。

    Jun, 2024

  • 面向图数据的统一主动学习框架，应用于软件源代码性能预测

    提出了一种基于主动学习的框架，通过分析软件源代码的 AST 图表征来进行软件性能预测，从而实现支持回归任务的任意查询策略并提高 AI 模型的性能。

    Apr, 2023

  • 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

  • 为代码生成和语义解析设计的抽象语法网络

    介绍了针对类似代码生成和语义解析等需要将非结构化（或部分结构化）输入映射到格式化可执行输出的抽象语法网络建模框架，并使用一个具有动态确定模块化结构的解码器构建输出，具有与输出树结构相一致的特性，在 Hearthstone 数据集上获取了 79.2 BLEU 和 22.7% 的精确匹配度，相比之前最先进的值提高了 12.1 和 16.6 个百分点，在 Atis、Jobs 和 Geo 语义解析数据集上的表现也很有竞争力，并且无需进行任何任务特定的工程。

    Apr, 2017

  • 通过将抽象语法树建模为图来完成代码补全

    本文提出一种名为 CCAG 的新的代码完成方法，它将部分 AST 的平坦序列建模为 AST 图，使用 AST 图注意力块捕捉表示学习中的不同依赖关系，并通过多任务学习优化代码完成的子任务，无需调整任务权重即可自动实现任务平衡，实验结果表明 CCAG 比现有方法具有更优越的性能，能够提供智能代码完成。

    Mar, 2021

  • xASTNN：用于工业实践的改进代码表示

    本文介绍了一种基于 AST 的神经网络架构 xASTNN，用于源代码表示，以推广深度学习在工业实践中的应用。研究结果表明，xASTNN 在代码分类和克隆检测等任务上具有较大提升且速度更快。

    Mar, 2023

  • TEP-GNN: 使用图神经网络准确预测功能测试的执行时间

    该论文提出了一种基于流量增强的 AST 和图神经网络模型的高精准度性能预测方法 TEP-GNN，其在四个现实情况下的 Java 开源项目中被证明是可行的，但需要进一步工作来使训练的模型适用于其他未知项目。

    Aug, 2022