論文の概要: SEER: Spectral Entropy Encoding of Roles for Context-Aware Attention-Based Design Pattern Detection

• arxiv url: http://arxiv.org/abs/2601.13334v1
• Date: Mon, 19 Jan 2026 19:13:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.032466
• Title: SEER: Spectral Entropy Encoding of Roles for Context-Aware Attention-Based Design Pattern Detection
• Title（参考訳）: SEER:コンテキストアウェアアテンションに基づくデザインパターン検出における役割のスペクトルエントロピー符号化
• Authors: Tarik Houichime, Younes El Amrani,
• Abstract要約: 本稿では,ソースコードからGang of Four(GoF)デザインパターンを検出するために,従来のContext Is All You Needのアップグレード版を提案する。 SEERはこれらの制限に、(i)各クラスの相互作用グラフのラプラシアンスペクトルからメンバーごとのロール埋め込みを導出するスペクトルエントロピーロールエンコーダ、(ii)メソッドカテゴリに経験的校正期間を割り当てる時間重呼出コンテキストの2つの原則で対処する。 PyDesignNet上のSEER(1,832ファイル、35,000のシーケンス、23のGoFパターン)を評価し、以前のシステムよりも一貫した利得を観察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents SEER, an upgraded version of our prior method Context Is All You Need for detecting Gang of Four (GoF) design patterns from source code. The earlier approach modeled code as attention-ready sequences that blended lightweight structure with behavioral context; however, it lacked explicit role disambiguation within classes and treated call edges uniformly. SEER addresses these limitations with two principled additions: (i) a spectral-entropy role encoder that derives per-member role embeddings from the Laplacian spectrum of each class's interaction graph, and (ii) a time-weighted calling context that assigns empirically calibrated duration priors to method categories (e.g., constructors, getters/setters, static calls, virtual dispatch, cloning). Together, these components sharpen the model's notion of "who does what" and "how much it matters," while remaining portable across languages with minimal adaptation and fully compatible with Transformer-based sequence encoders. Importantly, SEER does not "force" a win by capacity or data; it nudges the classifier, steering attention toward role-consistent and temporally calibrated signals that matter most. We evaluate SEER on PyDesignNet (1,832 files, 35,000 sequences, 23 GoF patterns) and observe consistent gains over our previous system: macro-F1 increases from 92.47% to 93.20% and accuracy from 92.52% to 93.98%, with macro-precision 93.98% and macro-recall 92.52%. Beyond aggregate metrics, SEER reduces false positives by nearly 20%, a decisive improvement that strengthens its robustness and practical reliability. Moreover, SEER yields interpretable, symbol-level attributions aligned with canonical roles, exhibits robustness under small graph perturbations, and shows stable calibration.
• Abstract（参考訳）: 本稿では,ソースコードからGang of Four(GoF)デザインパターンを検出するために,従来のContext Is All You Needのアップグレード版であるSEERを提案する。 以前のアプローチでは、ライトウェイトな構造と振る舞いのコンテキストをブレンドしたアテンション対応シーケンスとしてコードをモデル化していたが、クラス内での明示的な役割の曖昧さとコールエッジの扱いが欠如していた。 SEERは2つの原則付き追加でこれらの制限に対処する。 (i)各クラスの相互作用グラフのラプラシアンスペクトルからメンバーごとの役割埋め込みを導出するスペクトルエンコーダ、及び (ii)メソッドカテゴリ(例:コンストラクタ、getter/setter、静的呼び出し、仮想ディスパッチ、クローン)に、経験的にキャリブレーションされた期間を割り当てる、タイムウェイトな呼び出しコンテキスト。 これらのコンポーネントは、最小限の適応とTransformerベースのシーケンスエンコーダとの完全な互換性を持ちながら、"誰が何をするのか"と"どれだけ重要なのか"というモデルの考え方を鮮明にします。 重要なことは、SEERはキャパシティやデータによって勝利を「強制」しない。 マクロF1は92.47%から93.20%に増加し、精度は92.52%から93.98%に向上し、マクロ精度は93.98%、マクロリコールは92.52%となった。 総合的な指標の他に、SEERは偽陽性を20%近く削減し、その堅牢性と実用的信頼性を高める決定的な改善を行う。 さらに、SEERは標準的な役割に沿った解釈可能な記号レベルの属性を出力し、小さなグラフ摂動の下で堅牢性を示し、安定したキャリブレーションを示す。

関連論文リスト

• D2Pruner: Debiased Importance and Structural Diversity for MLLM Token Pruning [49.16227597771663]
  D2Prunerは、デバイアスされた重要性と構造的なプルーニングメカニズムを組み合わせたフレームワークである。 FLOPを74.2%削減し、元の性能の99.2%を維持した。 既存の手法に比べて63.53%も改善されている。
  論文  参考訳（メタデータ） (2025-12-22T14:42:31Z)
• From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
  CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。 本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。 SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
  論文  参考訳（メタデータ） (2025-12-16T03:17:18Z)
• Beyond Sequences: A Benchmark for Atomic Hand-Object Interaction Using a Static RNN Encoder [0.0]
  我々は、MANIACデータセットから生動画を27,476の統計力学的特徴ベクトルに変換する構造化データエンジニアリングプロセスを導入する。 我々のモデルは、バランスの取れたF1スコア0.90を達成することで、最も困難な移行クラスである「グラビング」を乗り越えることに成功した。 これらの結果は、構造化された、解釈可能な特徴と軽量アーキテクチャを用いた、低レベルの手オブジェクト間相互作用認識のための新しいベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-12-10T13:11:43Z)
• Contextual Gating within the Transformer Stack: Synergistic Feature Modulation for Enhanced Lyrical Classification and Calibration [0.0]
  本研究は,歌詞コンテンツ分類のための特徴融合における重要なアーキテクチャ的進歩を紹介する。 本稿では,文脈ゲーティング機構を利用した新しいディープラーニングモデルであるSFL Transformerを提案する。 このモデルは、UMAPが還元した線形埋め込みから導かれる挑戦的な二項分類タスクに適用される。
  論文  参考訳（メタデータ） (2025-11-27T08:23:45Z)
• REAR: Rethinking Visual Autoregressive Models via Generator-Tokenizer Consistency Regularization [130.46612643194973]
  reARはトークン単位の正規化目標を導入する単純なトレーニング戦略です。 ImageNetでは、gFIDを3.02から1.86に削減し、標準化ベースのトークンーザを使用してISを316.9に改善している。 高度なトークン化器に適用すると、177Mパラメータしか持たない1.42のgFIDが達成され、その性能はより大きな最先端拡散モデル(675M)と一致する。
  論文  参考訳（メタデータ） (2025-10-06T02:48:13Z)
• GrAInS: Gradient-based Attribution for Inference-Time Steering of LLMs and VLMs [56.93583799109029]
  GrAInSは推論時ステアリングのアプローチで、言語のみのモデルと視覚言語の両方のモデルとタスクで動作する。 推論中、GrAInSはトークンレベルの属性信号によって誘導されるトランスフォーマー層で隠されたアクティベーションを隠蔽し、アクティベーションを正規化し、表現スケールを保存する。 微調整と既存のステアリングベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-24T02:34:13Z)
• Efficient Leaf Disease Classification and Segmentation using Midpoint Normalization Technique and Attention Mechanism [0.0]
  画像前処理のための2段階変換手法であるミドルポイント正規化(MPN)を導入する。 分類パイプラインは、例外的なクラスバランスを維持しながら、93%の精度を達成する。 セグメンテーションタスクでは,MPNを付加した入力を用いて,U-Netアーキテクチャ内の同一の注意ブロックをシームレスに統合する。
  論文  参考訳（メタデータ） (2025-05-27T15:14:04Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)

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。