論文の概要: Learning Spectral Representations of Code through Latent Graph Learning for Generalizable Cross-Language Code Clone Detection

• arxiv url: http://arxiv.org/abs/2608.22383v1
• Date: Sun, 23 Aug 2026 12:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.753091
• Title: Learning Spectral Representations of Code through Latent Graph Learning for Generalizable Cross-Language Code Clone Detection
• Title（参考訳）: 一般化可能なクロスランゲージコードクローン検出のための潜在グラフ学習によるコードのスペクトル表現
• Abstract要約: 本稿では,グラフのスペクトルがコード機能の識別的シグネチャとして機能するように潜在空間を学習する潜時グラフ学習ネットワークであるSPECTRA-Siamを提案する。 60の未確認パスにわたるブリッジアシスト言語転送では、SPECTRA-Siamのパフォーマンスは0.058しか低下せず、ベースラインは0.112--0.228である。
• 参考スコア（独自算出の注目度）: 2.451281166275057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current code clone detection (CCD) methods rely on fixed, language-specific graph representations like abstract syntax trees (ASTs) or program dependency graphs (PDGs). Because functionally identical code fragments can yield wildly different structures, these rigid graphs produce non-discriminative spectra that perform close to chance. To address this, we propose SPECTRA-Siam, a Siamese latent graph learning network that learns a latent space such that the graph's spectrum serves as a discriminative signature of code functionality by optimizing downstream CCD performance. Given a fragment's AST and data-dependencies, SPECTRA-Siam induces a fixed-size weighted latent graph through soft slot assignment and multi-head attention, and extracts a multi-scale spectral representation from its normalized Laplacian. Mapping all fragments into this shared space yields comparable spectra across programming languages. Experiments on BigCloneBench, AtCoder, and a four-language CodeNet benchmark (Java, Python, C++, C#) support this design choice. Using the same downstream classifier, moving from fixed to learned latent graphs spectra jumps F1 from 0.37 to 0.67 on BigCloneBench and accuracy from 0.60 to 0.71 on AtCoder. On CodeNet, the full model reaches 0.69 accuracy in four epochs and 0.79 after thirty epochs. In bridge-assisted language transfer across 60 unseen paths, SPECTRA-Siam's performance degrades by only 0.058, versus 0.112--0.228 for baselines, showing that learned graph spectra provide a highly generalizable representation for cross-language clone detection.
• Abstract（参考訳）: 現在のコードクローン検出(CCD)メソッドは、抽象構文木(AST)やプログラム依存グラフ(PDG)のような、言語固有の固定されたグラフ表現に依存している。 機能的に同一のコードフラグメントは、非常に異なる構造を生成できるため、これらの厳密なグラフは、偶然に近い非識別スペクトルを生成する。 そこで本研究では,下流のCCD性能を最適化することにより,グラフのスペクトルがコード機能の識別的シグネチャとして機能するように,潜時空間を学習するシームズ潜時グラフ学習ネットワークであるSPECTRA-Siamを提案する。 フラグメントのASTとデータ依存性を与えられたSPECTRA-Siamは、ソフトスロット割り当てとマルチヘッドアテンションを通じて固定サイズの潜在グラフを誘導し、正規化されたラプラシアンからマルチスケールスペクトル表現を抽出する。 すべてのフラグメントをこの共有空間にマッピングすると、プログラミング言語間で同等のスペクトルが得られる。 BigCloneBench、AtCoder、および4言語のCodeNetベンチマーク(Java、Python、C++、C#)での実験は、この設計選択をサポートする。 同じ下流分類器を使用して、固定から学習した潜伏グラフのスペクトルは、BigCloneBenchでは0.37から0.67に、AtCoderでは0.60から0.71にジャンプする。 CodeNetでは、フルモデルは4エポックで0.69、30エポックで0.79に達する。 60の未確認経路を橋渡しした言語転送では、SPECTRA-Siamのパフォーマンスは0.058しか低下せず、ベースラインは0.112--0.228であり、学習されたグラフスペクトルがクロス言語クローン検出のための非常に一般化可能な表現であることを示している。

関連論文リスト

• Generative Semantic Segmentation via an Observable Semantic-Image Interface and Hierarchical Generator Evidence Alignment [1.6199400106794555]
  生成的セマンティックセグメンテーションは、構造化された予測を画像として公開するが、直接カラーデコーディングは、色ドリフトと境界ミキシングの影響を受けやすい。 本稿では,セマンティック・プリズム(Semantic Prism)を提案する。
  論文  参考訳（メタデータ） (2026-08-12T01:00:04Z)
• AdaGraph: A Graph-Native Clustering Algorithm That Overcomes the Curse of Dimensionality and Enables Scientific Discovery [0.0]
  本稿では,Structure-Centric Machine Learning(SC-ML)パラダイムから生まれたグラフネイティブクラスタリングアルゴリズムであるAdaGraphを紹介する。 AdaGraphは、完全にkNNグラフトポロジー内で動作する。 Graph-SCOPEは、独自のSC-MLコントリビューションとして導入されたトポロジベースのクラスタ妥当性インデックスである。
  論文  参考訳（メタデータ） (2026-05-05T01:42:59Z)
• SWING: Unlocking Implicit Graph Representations for Graph Random Features [57.956136773668476]
  SWING: Space Walks for Implicit Network Graphsはグラフ上のグラフランダム特徴を含む計算アルゴリズムの新しいクラスである。 SWINGの詳細な解析を行い、様々なiグラフのクラスで徹底的な実験を行い、それを補完する。
  論文  参考訳（メタデータ） (2026-02-13T08:12:38Z)
• MAGNET: A Multi-Graph Attentional Network for Code Clone Detection [0.14323566945483496]
  コードクローン検出は、脆弱性検出と盗作分析を支えるソフトウェア工学の基本的なタスクである。 既存の方法は抽象構文木(AST)、制御フローグラフ(CFG)、データフローグラフ(DFG)といった特異表現に依存していることが多い。 本研究では,AST,CFG,DFG表現を併用してソースコードの構文的・意味的特徴を抽出する多グラフアテンショナルフレームワークMAGNETを提案する。
  論文  参考訳（メタデータ） (2025-10-28T09:48:06Z)
• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。 ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Transforming Visual Scene Graphs to Image Captions [69.13204024990672]
  我々は、Scene Graphs (TSG) をより説明的なキャプションに変換することを提案する。 TSGでは、シーングラフの埋め込みのためのグラフニューラルネットワーク(GNN)の設計にマルチヘッドアテンション(MHA)を適用している。 TSGでは、各専門家はMHAに基づいてグラフ埋め込みを識別し、異なる種類の単語を生成する。
  論文  参考訳（メタデータ） (2023-05-03T15:18:37Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Pointspectrum: Equivariance Meets Laplacian Filtering for Graph Representation Learning [3.7875603451557063]
  グラフ表現学習(GRL)は、現代のグラフデータマイニングおよび学習タスクに欠かせないものとなっている。 グラフニューラルネットワーク(GNN)は最先端のGRLアーキテクチャで使用されているが、過度なスムース化に悩まされていることが示されている。 本稿では,グラフの構造を考慮に入れたスペクトル法であるPointSpectrumを提案する。
  論文  参考訳（メタデータ） (2021-09-06T10:59:11Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Chromatic Learning for Sparse Datasets [12.949498753914277]
  スパースで高次元のデータを学習するための、高度にスケーラブルな代替手法を設計する。 我々はこれをクロマティックラーニング(CL)と呼び、特徴の共起グラフ上でグラフカラー化を行うことにより、低次元の高密度特徴表現を得る。 共起グラフの構造特性を活用することで、CLはKDDカップ2012のような5000万以上の特徴を含むスパースデータセットを1024まで圧縮することができる。
  論文  参考訳（メタデータ） (2020-06-06T04:32:58Z)

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。