AAAIFeb, 2021

图神经网络对离群值进行稀释，用于重构单体应用程序

PDF
TL;DR本文提出了一种基于图神经网络方法的微服务重构技术，能够更好地理解软件系统并在云端环境下优化资源分配，识别异常点协助软件重构，与现有软件工程及基于图表示的技术相比表现更佳。
发现论文，激发创造
  • 从单体应用到微服务：通过异构图神经网络表示应用软件

    通过基于异构图的表征学习解决将单体应用迁移成微服务架构中遇到的挑战。实验研究表明，我们的方法对不同种类的单体系统有效。

    Dec, 2021

  • 从单片到微服务：重构方法的分类

    本研究讨论了微服务架构重构的概念，比较了 10 种现有的重构方法，并通过决策指南形式的可视化展示，提供了一个快速参考的决策方案。

    Jul, 2018

  • 节点级图异常检测的三个重访：异常值、消息传递和双曲神经网络

    本文针对复杂网络中识别异常实例的图异常检测问题，从深度学习方法学、基准评估方法及超几何神经网络等三个方面展开研究，通过研究发现了改进节点级图异常检测方法的一般策略。

    Mar, 2024

  • DGCLUSTER：一种基于模块化最大化的属性图聚类的神经框架

    通过使用图神经网络优化模块性目标的 DGCluster 方法，我们在多个领域中进行图聚类，取得了显著的性能提升。

    Dec, 2023

  • 一个使用层次聚类的多尺度图卷积网络

    研究了利用多尺度分解通过层次拓扑信息的新型体系结构，并通过 Girvan-Newman 层次聚类算法生成了一棵树，使得架构可以学习从粗到细的多尺度潜在空间表示，并在基准引文网络上表现出竞争力。

    Jun, 2020

  • 使用代码层次结构表示程序的学习

    本文针对现有技术在软件工程任务中依然存在两个问题：长期依赖和不同的代码组件被平等地处理。为了解决这些问题，本文提出了一种代表代码的层次结构（“Code Hierarchy”）和一种网络架构（“ECHELON”），该架构将异构图变换网络和基于树的卷积神经网络的优点相结合用于学习富含代码依赖信息的抽象语法树。同时，本文提出了一种新的预训练目标 “Missing Subtree Prediction” 来补充 “Code Hierarchy”。评估结果表明，我们的方法在任何代码完成、代码分类和代码克隆检测方面明显优于其他基线。

    May, 2022

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018

  • 一切皆有联系：图神经网络

    本文概述了图表示学习的关键概念与相关领域，并指出了图表示学习在交通预测、社交网络分析、推荐系统、药物研发等应用领域中的重要性，以及与图表示学习相关的机器学习应用领域。

    Jan, 2023

  • 探索变分图自编码器以提取类重构建议

    本文旨在提出一种将 God Class 分解为多个更具体职责的少量类的自动方法，并使用可变图形自动编码器来将每个方法学习为向量表示，以便将其聚类为不同的组。本方法得到的结果比现有方法更好，证明了其有效性。

    Mar, 2022

  • 使用图神经网络的图异常检测：当前状态与挑战

    本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

    Sep, 2022