論文の概要: ICodeNet -- A Hierarchical Neural Network Approach for Source Code Author Identification

• arxiv url: http://arxiv.org/abs/2102.00230v1
• Date: Sat, 30 Jan 2021 14:05:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 15:37:23.085391
• Title: ICodeNet -- A Hierarchical Neural Network Approach for Source Code Author Identification
• Title（参考訳）: ICodeNet - ソースコード作者識別のための階層型ニューラルネットワークアプローチ
• Authors: Pranali Bora, Tulika Awalgaonkar, Himanshu Palve, Raviraj Joshi, Purvi Goel
• Abstract要約: ICodeNetは階層型ニューラルネットワークで、ソースコードファイルレベルのタスクに使用できる。 ICodeNetはソースコードをイメージ形式で処理し、ファイルの作者の識別ごとに使用される。 また、画像に基づく階層型ニューラルネットワークモデルと、単純な画像ベースのCNNアーキテクチャと、テキストベースのCNNおよびLSTMモデルを比較して、その新規性と効率性を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the open-source revolution, source codes are now more easily accessible than ever. This has, however, made it easier for malicious users and institutions to copy the code without giving regards to the license, or credit to the original author. Therefore, source code author identification is a critical task with paramount importance. In this paper, we propose ICodeNet - a hierarchical neural network that can be used for source code file-level tasks. The ICodeNet processes source code in image format and is employed for the task of per file author identification. The ICodeNet consists of an ImageNet trained VGG encoder followed by a shallow neural network. The shallow network is based either on CNN or LSTM. Different variations of models are evaluated on a source code author classification dataset. We have also compared our image-based hierarchical neural network model with simple image-based CNN architecture and text-based CNN and LSTM models to highlight its novelty and efficiency.
• Abstract（参考訳）: オープンソース革命により、ソースコードはかつてないほど容易にアクセスできるようになった。 しかし、これは悪意のあるユーザーや機関がライセンスに言及したり、元の著者にクレジットしたりすることなくコードをコピーすることを容易にしました。 したがって、ソースコード作者の識別は、最も重要な重要なタスクです。 本稿では、ソースコードファイルレベルのタスクに使用できる階層型ニューラルネットワークであるICodeNetを提案する。 ICodeNetはソースコードを画像形式で処理し、ファイル作者の識別ごとにタスクに使用されます。 ICodeNetはImageNetの訓練を受けたVGGエンコーダと浅いニューラルネットワークで構成されている。 浅いネットワークはCNNまたはLSTMに基づいています。 異なるモデルのバリエーションは、ソースコードの著者分類データセットで評価される。 また、画像ベースの階層型ニューラルネットワークモデルと単純な画像ベースのcnnアーキテクチャ、テキストベースのcnnおよびlstmモデルを比較し、その新しさと効率性を強調した。

関連論文リスト

• Decoding Quantum LDPC Codes Using Graph Neural Networks [52.19575718707659]
  グラフニューラルネットワーク(GNN)に基づく量子低密度パリティチェック(QLDPC)符号の新しい復号法を提案する。 提案したGNNベースのQLDPCデコーダは,QLDPC符号のスパースグラフ構造を利用して,メッセージパスデコーダとして実装することができる。
  論文  参考訳（メタデータ） (2024-08-09T16:47:49Z)
• PottsMGNet: A Mathematical Explanation of Encoder-Decoder Based Neural Networks [7.668812831777923]
  アルゴリズムの観点から,エンコーダ・デコーダに基づくネットワークアーキテクチャについて検討する。 画像分割には2相ポッツモデルを用いる。 離散的なPottsMGNetはエンコーダ-デコーダベースネットワークと等価であることを示す。
  論文  参考訳（メタデータ） (2023-07-18T07:48:48Z)
• A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
  エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。 EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。 EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-13T17:13:12Z)
• KXNet: A Model-Driven Deep Neural Network for Blind Super-Resolution [57.882146858582175]
  我々は、ブラインドSISRのためのモデル駆動型ディープニューラルネットワークKXNetを提案する。 提案されたKXNetは、SISRタスクの根底にある固有の物理的メカニズムと完全に統合されている。 合成データおよび実データを用いた実験は,提案手法の精度と汎用性を良好に証明する。
  論文  参考訳（メタデータ） (2022-09-21T12:22:50Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• Project-Level Encoding for Neural Source Code Summarization of Subroutines [6.939768185086755]
  コード要約のモデルを改善するプロジェクトレベルのエンコーダを提案する。 我々はこの表現を用いて、最先端のニューラルネットワーク要約技術のエンコーダを強化する。
  論文  参考訳（メタデータ） (2021-03-22T06:01:07Z)
• 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)
• DRU-net: An Efficient Deep Convolutional Neural Network for Medical Image Segmentation [2.3574651879602215]
  残留ネットワーク(ResNet)と密結合ネットワーク(DenseNet)は、ディープ畳み込みニューラルネットワーク(DCNN)のトレーニング効率と性能を大幅に改善した。 両ネットワークの利点を考慮した効率的なネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-04-28T12:16:24Z)
• Shallow Encoder Deep Decoder (SEDD) Networks for Image Encryption and Decryption [6.243995448840211]
  本稿では、暗号化のための浅いエンコーダニューラルネットワークEと復号のための複雑なディープデコーダニューラルネットワークDを用いて、損失の多い画像暗号化と復号化のための新しいフレームワークを探索する。 エンコーディングは低消費電力でポータブルなデバイス上で行うことができ、原理的にはエンコードされたベクトルを出力する非線形関数である。 D は、E から得られたベクトル対を符号化し、E から独立して発生する画像のデータセットを用いて符号化を復号する訓練を行う。
  論文  参考訳（メタデータ） (2020-01-09T14:33:38Z)

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。