論文の概要: When Does the Dependency Graph Help Code-to-Architecture Mapping?
- arxiv url: http://arxiv.org/abs/2610.19769v1
- Date: Wed, 14 Oct 2026 08:19:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.034419
- Title: When Does the Dependency Graph Help Code-to-Architecture Mapping?
- Title（参考訳）: 依存性グラフはいつアーキテクチャ間のマッピングに役立つか?
- Abstract要約: 我々は、有向多重関係デペンデンシーグラフ上での半教師付きノード分類として、コード・ツー・アーキテクチャ・クチャーマッピングを定式化する。
グラフ畳み込みネットワーク(GCN)、グラフ注意ネットワーク(GAT)、グラフfree多層パーセプトロン(MLP)を解析する。
Across 100は10のオープンソースのJ avaとC/C++システムで動作し、3つのニューラルモデルはいずれもF1 metri csの参照よりも優れている。
- 参考スコア（独自算出の注目度）: 1.4353812560047186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Architectural technical debt arises when a system's implementation drifts from its inten ded modular decomposition, while the mapping between source files and architectural modu les is missing, incomplete, or costly to maintain manually. We formulate code-to-archite cture mapping as semi-supervised node classification over a directed multi-relational de pendency graph, with files as nodes, typed dependencies as edges, and lexical features d erived from code identifiers and directory layout. Starting from a small labeled sample, an iterative self-training procedure expands the mapping to the remaining files. We com pare a graph convolutional network (GCN), a graph attention network (GAT), and a graph-f ree multi-layer perceptron (MLP), using identical features and training procedures for t he learned models, against a Naive Bayes reference. Across 100 runs on ten open-source J ava and C/C++ systems, all three neural models outperform the reference on both F1 metri cs. GAT achieves the highest averages of system-level median macro and micro F1, at 83.5 and 92.2, respectively, whereas MLP remains competitive or superior on several systems. On Chrome, the largest system with 18,343 files, GAT and GCN exceed MLP by 22 and 19 ma cro-F1 points, respectively, and have substantially fewer persistently misclassified fil es. Connectivity and homophily are associated with where neural message passing helps, w hile multi-relational aggregation outperforms a single merged edge type on every system for both GCN and GAT. A follow-up study finds that several model rankings depend on the training seed, qualifying smaller advantages without removing the large graph benefit ob served on Chrome.
- Abstract（参考訳）: アーキテクチャ上の技術的負債は、システムの実装がモジュラー分解から退避し、ソースファイルとアーキテクチャ上のモジュラール間のマッピングが欠落している、不完全である、あるいは手作業でメンテナンスするのにコストがかかるときに発生する。
我々は,ノードとしてファイル,エッジとして型付き依存関係,コード識別子とディレクトリレイアウトから派生した語彙的特徴を持つ有向型マルチリレーショナル・デペンデンシグラフ上で,コードからアーキテクチャへのctureマッピングを半教師付きノード分類として定式化する。
小さなラベル付きサンプルから始めると、反復的な自己学習手順が残りのファイルへのマッピングを拡張する。
グラフ畳み込みネットワーク(GCN)、グラフアテンションネットワーク(GAT)、およびグラフ-free多層パーセプトロン(MLP)を、彼が学習したモデルに対する同一の特徴と訓練手順を用いて解析する。
Across 100は10のオープンソースのJ avaとC/C++システムで動作し、3つのニューラルモデルはいずれもF1 metri csの参照よりも優れている。
GATはシステムレベルの中央値マクロとマイクロF1の最高値をそれぞれ83.5と92.2で達成している。
Chromeでは、18,343ファイルを持つ最大のシステムであるGATとGCNは、それぞれMLPを22と19のcro-F1ポイントで上回り、永続的に誤分類されたfil esをかなり少なくしている。
接続性とホモフィリーは、ニューラルメッセージパッシングが役に立つ場所と結びついており、w hile multi-relational aggregateはGCNとGATの両方のシステムで単一のマージされたエッジタイプよりも優れています。
続く調査では、いくつかのモデルランキングがトレーニングシードに依存しており、Chromeで提供される大きなグラフのメリットを取り除くことなく、より小さなアドバンテージを確保できることがわかった。
関連論文リスト
- Scalable Hierarchical Graph Generation via Soft Community Structure [0.21028463367241024]
多くの実世界のグラフは1つの大きなグラフとして存在するので、生成モデルは独立したサンプルなしで、それが適合する1つのグラフから一般化する必要がある。
本稿では,参照グラフをソフトコミュニティの階層に分解し,各ノードにメンバシップ分布を割り当てる。
生成は3つの段階に分けられ、それぞれ独立して訓練される。
論文 参考訳（メタデータ） (2026-10-08T15:39:53Z) - Towards One-for-All Foundation Model for Attributed Graph Clustering [14.135776029457972]
属性グラフクラスタリングの基礎モデルOFAGを提案する。
OFAGは、合成属性グラフから再利用可能なクラスタリング推論戦略を学ぶ。
OFAGは、NMI、ACC、ARI、F1データセット全体で最高の平均パフォーマンスと平均ランクを達成する。
論文 参考訳（メタデータ） (2026-10-06T05:13:38Z) - CGLE: Class-label Graph Link Estimator for Link Prediction [10.111824396356543]
CGLE(Class-label Graph Link Estimator)は、GNNベースのリンク予測モデルを拡張するために設計された新しいフレームワークである。
CGLEはクラス条件のリンク確率行列を構成する。
効率的な前処理の段階でカプセル化され、基礎となるGNNモデルの計算複雑性は影響を受けないままである。
論文 参考訳（メタデータ） (2025-11-10T11:34:36Z) - MS-DGCNN++: A Multi-Scale Fusion Dynamic Graph Neural Network with Biological Knowledge Integration for LiDAR Tree Species Classification [1.6874375111244329]
森林環境の複雑な幾何学構造のため,地球上のLiDAR点雲からの樹種分類は困難である。
局所,分枝,対流スケールで意味的に意味のある特徴抽出を利用する階層型マルチスケール・フュージョン・ダイナミックグラフ畳み込みネットワークであるMS-DGCNN++を提案する。
本手法は,競争精度を維持しつつ,資源制約のあるアプリケーションに適した手法である。
論文 参考訳（メタデータ） (2025-07-16T19:44:23Z) - Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳（メタデータ） (2024-07-26T03:14:13Z) - Learnable Graph Convolutional Attention Networks [7.465923786151107]
グラフニューラルネットワーク(GNN)は、ノード間のメッセージ交換を、隣接するすべてのノードの特徴を均一に(関連する)集約するか、あるいは特徴に一様でないスコア(動作)を適用することによって計算する。
最近の研究は、それぞれGCNとGATのGNNアーキテクチャの長所と短所を示している。
本稿では、注目スコアを計算するために、畳み込みに依存するグラフ畳み込みアテンション層(CAT)を紹介する。
以上の結果から,L-CATはネットワーク上の異なるGNN層を効率よく結合し,競合する手法よりも広い範囲で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2022-11-21T21:08:58Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。
我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文 参考訳（メタデータ） (2021-07-03T01:28:42Z) - Graph Highway Networks [77.38665506495553]
グラフ畳み込みネットワーク(GCN)は、グラフ表現の有効性と効率性から、グラフ表現の学習に広く利用されている。
彼らは、多くの層が積み重ねられたとき、学習された表現が類似したベクトルに収束するという悪名高い過度に滑らかな問題に悩まされる。
本稿では,GCN学習プロセスにおける均一性と不均一性との間のトレードオフのバランスをとるため,ゲーティングユニットを利用したグラフハイウェイネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-09T16:26:43Z)
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。