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。

Nov, 2017

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。

Feb, 2020

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

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

本文介绍了一种新颖的 GNN 架构 ——IPAGNN，可以更好地学习使用控制流程图执行程序的任务，通过测试结果表明，其在系统性总结和部分程序执行的任务上比多种 RNN 和 GNN 基线模型表现更好。

Oct, 2020

该研究探讨了图神经网络（GNNs）和二进制编程（BP）问题之间的联系，为 GNNs 在解决这些计算难题上提出了设计。通过分析 BP 问题的灵敏度，我们将 BP 问题的解决方案框架化为异质节点分类任务。随后，我们提出了 Binary-Programming GNN（BPGNN），一种将图表示学习技术与 BP 感知特征相结合的架构，以有效地近似 BP 解决方案。此外，我们引入了一种自我监督的数据生成机制，以便在处理大规模 BP 问题时实现高效和可操作的训练数据获取。对不同 BP 问题规模的 BPGNN 进行实验评估显示其性能优于穷举搜索和启发式方法。最后，我们讨论了 GNNs 在 BP 问题这个尚未充分探索的领域中的挑战。

Apr, 2024

本文提出一种使用图卷积神经网络和图注意力网络进行程序终止性分析的方法，并结合语义分割定位 AST 节点进行非终止原因的估计和调试。

Jul, 2022

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

ProGraML 是一种使用低级别、语言无关和可移植格式的新颖基于图的程序表示，其中包含能够对整个程序或每个顶点执行分类任务的机器学习模型，其提供了一种通用的程序表示，使可学习的模型能够执行优化所必需的程序分析类型，并在传统编译器分析任务、异构设备映射和程序分类等高级任务方面取得了具有以下优势的最新性能：94.0 F1 评分

Mar, 2020

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