論文の概要: Using Graph Neural Networks for Program Termination

• arxiv url: http://arxiv.org/abs/2207.14648v1
• Date: Thu, 28 Jul 2022 12:16:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 12:30:42.933142
• Title: Using Graph Neural Networks for Program Termination
• Title（参考訳）: プログラム終了にグラフニューラルネットワークを使用する
• Authors: Yoav Alon and Cristina David
• Abstract要約: フォーマルな方法から脱して、マシンラーニングモデルの性質を受け入れるのです。 グラフニューラルネットワークを用いて,プログラムのグラフ表現を利用する。 我々は、これまで他のアプリケーションドメインで使われていた注意とセマンティックセグメンテーションの概念をプログラムに適用する。
• 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: Termination analyses investigate the termination behavior of programs, intending to detect nontermination, which is known to cause a variety of program bugs (e.g. hanging programs, denial-of-service vulnerabilities). Beyond formal approaches, various attempts have been made to estimate the termination behavior of programs using neural networks. However, the majority of these approaches continue to rely on formal methods to provide strong soundness guarantees and consequently suffer from similar limitations. In this paper, we move away from formal methods and embrace the stochastic nature of machine learning models. Instead of aiming for rigorous guarantees that can be interpreted by solvers, our objective is to provide an estimation of a program's termination behavior and of the likely reason for nontermination (when applicable) that a programmer can use for debugging purposes. Compared to previous approaches using neural networks for program termination, we also take advantage of the graph representation of programs by employing Graph Neural Networks. To further assist programmers in understanding and debugging nontermination bugs, we adapt the notions of attention and semantic segmentation, previously used for other application domains, to programs. Overall, we designed and implemented classifiers for program termination based on Graph Convolutional Networks and Graph Attention Networks, as well as a semantic segmentation Graph Neural Network that localizes AST nodes likely to cause nontermination. We also illustrated how the information provided by semantic segmentation can be combined with program slicing to further aid debugging.
• Abstract（参考訳）: 終了解析はプログラムの終了挙動を調査し、様々なプログラムバグ(例えば、吊り下げプログラム、サービス拒否脆弱性)を引き起こすノンターミネーションを検出することを目的としている。 形式的アプローチを超えて、ニューラルネットワークを用いたプログラムの終了挙動を推定する様々な試みがなされている。 しかし、これらのアプローチの大部分は、強い健全性を保証するための形式的な方法に頼り続けており、結果として同様の制限に苦しめられている。 本稿では,形式的手法から脱却し,機械学習モデルの確率的性質を取り入れる。 問題解決者によって解釈できる厳密な保証を目標とするのではなく、プログラムの終了動作と、プログラマがデバッグ目的に使用できる非終了(適用可能な場合)の原因を推定することを目的としています。 プログラム終了のためのニューラルネットワークを用いた従来の手法と比較して,グラフニューラルネットワークを用いたプログラムのグラフ表現も活用する。 非ターミネーションバグの理解とデバッグをさらに支援するため、これまで他のアプリケーションドメインで使用されていた注意とセマンティックセグメンテーションの概念をプログラムに適用する。 全体としては、グラフ畳み込みネットワークとグラフアテンションネットワークに基づくプログラム終了のための分類器と、非ターミネーションを引き起こす可能性のあるastノードをローカライズするセマンティックセグメンテーショングラフニューラルネットワークを設計し実装した。 また,セマンティックセグメンテーションによって提供される情報とプログラムスライシングを組み合わせることで,デバッグをさらに支援できることを示す。

関連論文リスト

• Automated Static Warning Identification via Path-based Semantic Representation [37.70518599085676]
  本稿では、深層ニューラルネットワークの強力な特徴抽出と表現能力を用いて、警告識別のための制御フローグラフパスからコードセマンティクスを生成する。 事前訓練された言語モデルを微調整し、パスシーケンスを符号化し、モデル構築のための意味表現をキャプチャする。
  論文  参考訳（メタデータ） (2023-06-27T15:46:45Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)
• Neural Termination Analysis [9.973499664140158]
  ニューラルネットワークをトレーニングしてランキング関数として機能します。 プログラムの状態は、プログラムの実行時に下からバウンドされ、減少する値にマップします。 有効なランキング関数の存在は、プログラムが終了することを証明する。
  論文  参考訳（メタデータ） (2021-02-07T15:45:30Z)
• Learning to Execute Programs with Instruction Pointer Attention Graph Neural Networks [55.98291376393561]
  グラフニューラルネットワーク(GNN)は、ソフトウェアエンジニアリングタスクを学習するための強力なツールとして登場した。 リカレントニューラルネットワーク(RNN)は、長いシーケンシャルな推論の連鎖に適しているが、プログラム構造を自然に組み込んでいるわけではない。 本稿では,新しいGNNアーキテクチャ,IPA-GNN(Instruction Pointer Attention Graph Neural Networks)を導入する。
  論文  参考訳（メタデータ） (2020-10-23T19:12:30Z)
• funcGNN: A Graph Neural Network Approach to Program Similarity [0.90238471756546]
  FuncGNNは、ラベル付きCFGペアでトレーニングされたグラフニューラルネットワークで、効果的な埋め込みベクトルを利用することで、目に見えないプログラムペア間のGEDを予測する。 ハイレベル言語プログラム間の類似性を推定するためにラベル付きCFGにグラフニューラルネットワークが適用されたのはこれが初めてである。
  論文  参考訳（メタデータ） (2020-07-26T23:16:24Z)
• Learning Differentiable Programs with Admissible Neural Heuristics [43.54820901841979]
  ドメイン固有言語におけるプログラムとして表現される微分可能関数の学習問題について検討する。 我々は、この最適化問題を、プログラム構文のトップダウン導出を符号化した重み付きグラフの探索として構成する。 私たちの重要なイノベーションは、さまざまなニューラルネットワークのクラスを、プログラムの空間上の連続的な緩和と見なすことです。
  論文  参考訳（メタデータ） (2020-07-23T16:07:39Z)
• Can We Learn Heuristics For Graphical Model Inference Using Reinforcement Learning? [114.24881214319048]
  我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。 本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
  論文  参考訳（メタデータ） (2020-04-27T19:24:04Z)
• Towards an Efficient and General Framework of Robust Training for Graph Neural Networks [96.93500886136532]
  グラフニューラルネットワーク(GNN)は、いくつかの基本的な推論タスクに大きく進歩している。 GNNの目覚ましい性能にもかかわらず、グラフ構造上の摂動を慎重に作り、誤った予測を下すことが観察されている。 我々は,強靭なGNNを得るために,欲求探索アルゴリズムとゼロ階法を利用する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T15:17:58Z)

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。