論文の概要: LambdaNet: Probabilistic Type Inference using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2005.02161v1
• Date: Wed, 29 Apr 2020 17:48:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 13:27:17.244944
• Title: LambdaNet: Probabilistic Type Inference using Graph Neural Networks
• Title（参考訳）: LambdaNet: グラフニューラルネットワークを用いた確率型推論
• Authors: Jiayi Wei, Maruth Goyal, Greg Durrett, Isil Dillig
• Abstract要約: 本稿では,グラフニューラルネットワークに基づくTypeScriptの確率型推論手法を提案する。 弊社のアプローチでは、数値や文字列などの標準型と、トレーニング中に遭遇していないユーザ定義型の両方を予測できる。
• 参考スコア（独自算出の注目度）: 46.66093127573704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As gradual typing becomes increasingly popular in languages like Python and TypeScript, there is a growing need to infer type annotations automatically. While type annotations help with tasks like code completion and static error catching, these annotations cannot be fully determined by compilers and are tedious to annotate by hand. This paper proposes a probabilistic type inference scheme for TypeScript based on a graph neural network. Our approach first uses lightweight source code analysis to generate a program abstraction called a type dependency graph, which links type variables with logical constraints as well as name and usage information. Given this program abstraction, we then use a graph neural network to propagate information between related type variables and eventually make type predictions. Our neural architecture can predict both standard types, like number or string, as well as user-defined types that have not been encountered during training. Our experimental results show that our approach outperforms prior work in this space by $14\%$ (absolute) on library types, while having the ability to make type predictions that are out of scope for existing techniques.
• Abstract（参考訳）: PythonやTypeScriptなどの言語では徐々に型付けが普及しているため、型アノテーションを自動で推論する必要性が高まっている。 型アノテーションは、コード補完や静的エラー捕捉のようなタスクに役立つが、これらのアノテーションはコンパイラによって完全に決定することはできない。 本稿では,グラフニューラルネットワークに基づくTypeScriptの確率型推論手法を提案する。 私たちのアプローチでは、まず軽量なソースコード解析を使用して、型依存グラフと呼ばれるプログラム抽象化を生成します。 このプログラムの抽象化を考えると、グラフニューラルネットワークを使用して、関連する型変数間の情報を伝搬し、最終的に型予測を行います。 私たちのニューラルアーキテクチャは、数値や文字列のような標準型と、トレーニング中に遭遇していないユーザ定義型の両方を予測できます。 実験の結果,提案手法は,既存の手法では適用できない型予測を行う能力を持つ一方で,ライブラリ型に対して14\%$ (絶対的) の先行作業を上回っていることがわかった。

関連論文リスト

• Generative Type Inference for Python [62.01560866916557]
  本稿では静的解析から静的ドメイン知識を取り入れた数ショットの生成型推論手法であるTypeGenを紹介する。 TypeGenは、静的解析の型推論ステップを、型依存グラフ(TDG)に基づいたプロンプトに変換することで、COTプロンプトを生成する。 実験の結果、TypeGenは引数型予測では10.0%、Top-1 Exact Matchでは22.5%で最高のベースラインであるType4Pyを上回っている。
  論文  参考訳（メタデータ） (2023-07-18T11:40:31Z)
• TypeT5: Seq2seq Type Inference using Static Analysis [51.153089609654174]
  本稿では,型予測をコード入力タスクとして扱う新しい型推論手法を提案する。 本手法では静的解析を用いて,型シグネチャがモデルによって予測されるコード要素毎に動的コンテキストを構築する。 また,モデルの入力コンテキストに事前の型予測を組み込んだ反復復号方式を提案する。
  論文  参考訳（メタデータ） (2023-03-16T23:48:00Z)
• Modeling Label Correlations for Ultra-Fine Entity Typing with Neural Pairwise Conditional Random Field [47.22366788848256]
  We use an undirected graphical model called pairwise Conditional random field (PCRF) to formulaing the UFET problem。 我々は、エンティティ型付けに様々な現代的なバックボーンを使用し、一意ポテンシャルを計算し、型句表現からペアのポテンシャルを導出する。 我々は、非常に大きな型集合に対する効率的な型推論に平均場変分推論を使用し、それをニューラルネットワークモジュールとして展開し、エンドツーエンドのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-12-03T09:49:15Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Type4Py: Deep Similarity Learning-Based Type Inference for Python [9.956021565144662]
  類似度学習に基づくpythonの型推論モデルであるtype4pyを提案する。 高次元空間における同種の型と異種の型を区別することを学ぶ階層的ニューラルネットワークモデルを設計する。 Top-1の予測を考えると、Type4PyはTypilusとTypeWriterよりも19.33%、13.49%高い精度である。
  論文  参考訳（メタデータ） (2021-01-12T13:32:53Z)
• Learning to map source code to software vulnerability using code-as-a-graph [67.62847721118142]
  セキュリティの観点からソースコードのニュアンス学習におけるグラフニューラルネットワークの適用性について検討する。 我々は,既存のコード・アズ・フォトや線形シーケンスの符号化手法よりも,脆弱性検出に有効なコード・アズ・グラフの符号化法を示す。
  論文  参考訳（メタデータ） (2020-06-15T16:05:27Z)
• Typilus: Neural Type Hints [17.332608142043004]
  本稿では,プログラムの構造,名称,パターンを確率論的に推論することで,型を予測するグラフニューラルネットワークモデルを提案する。 我々のモデルは,レアおよびユーザ定義型を含む,オープンなタイプの語彙を予測するために,ワンショット学習を用いることができる。 タイピロスは、すべてのアノテータ可能なシンボルの70%の型を自信を持って予測する。
  論文  参考訳（メタデータ） (2020-04-06T11:14:03Z)
• OptTyper: Probabilistic Type Inference by Optimising Logical and Natural Constraints [26.80183744947193]
  本稿では,論理と学習を組み合わせた確率型推論フレームワークを提案する。 TypeScriptファイルの欠落型を予測するために,OpsTyperというツールを構築しています。
  論文  参考訳（メタデータ） (2020-04-01T11:32:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。