論文の概要: What Carries Architectural Signal? A Code-to-Architecture Mapping Study
- arxiv url: http://arxiv.org/abs/2610.41628v1
- Date: Fri, 30 Oct 2026 12:05:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.696609
- Title: What Carries Architectural Signal? A Code-to-Architecture Mapping Study
- Title（参考訳）: アーキテクチャシグナルとは何か? コード・ツー・アーキテクチャマッピングによる研究
- Abstract要約: 人工物表現とグラフコンテキストが10のJava,C,C++システムのマッピングに与える影響について検討する。
語彙的,構造的,文脈的なファイル表現を比較し,各予測器を依存近傍の有無で評価する。
- 参考スコア（独自算出の注目度）: 0.8481798330936975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Code-to-architecture mapping assigns source files to modules of a reference architecture. Representations of implementation artifacts can capture code text, dependencies, and directory organization, but predictive gains alone do not establish the contribution of additional graph processing. Dependencies may already be encoded in these representations, while directories may closely match the reference decomposition. We investigate how artifact representations and graph context affect mapping on ten Java, C, and C++ systems with a limited labeling budget. We compare lexical, structural, and contextual file representations and assess each predictor with and without dependency neighbors. Using a Heterogeneous Graph Transformer (HGT), we compare file-level graphs extended with member nodes summarizing each file's program elements, folder nodes, or both, alongside a variant encoding folder paths directly in file representations. We compare folder-aware predictions with a directory rule using the same labeled files. Representations encoding dependency information outperform lexical representations on most systems. Additional neighbor aggregation can improve mapping, depending on the predictor and aggregation direction. Folder-aware variants yield the largest and most consistent gains across the evaluated HGT configurations. However, the directory rule achieves per-system median accuracy of 89-100%, and adding folder information does not consistently improve predictions for files the rule misclassifies. Member nodes provide no consistent improvement over file-level graphs. These findings support assessing what file representations and directory organization already provide before attributing improvements to graph neural networks.
- Abstract（参考訳）: Code-to-architectureマッピングは、ソースファイルを参照アーキテクチャのモジュールに割り当てる。
実装成果物の表現は、コードテキスト、依存関係、ディレクトリ組織をキャプチャすることができるが、予測ゲインだけでは、追加のグラフ処理の貢献を確立しない。
依存性はすでにこれらの表現にエンコードされているかもしれないし、ディレクトリは参照分解と密接に一致しているかもしれない。
ラベル付け予算が制限された10のJava,C,C++システムにおいて,アーティファクト表現とグラフコンテキストがマッピングに与える影響について検討する。
語彙的,構造的,文脈的なファイル表現を比較し,各予測器を依存近傍の有無で評価する。
Heterogeneous Graph Transformer (HGT)を用いて、各ファイルのプログラム要素、フォルダノード、あるいはその両方を要約するメンバノードで拡張されたファイルレベルグラフと、ファイル表現に直接フォルダパスをエンコードするバリエーションを比較します。
フォルダ認識予測とディレクトリルールを同じラベル付きファイルで比較する。
依存情報を符号化する表現は、ほとんどのシステムにおいて語彙表現より優れている。
隣接するアグリゲーションは、予測やアグリゲーションの方向に応じてマッピングを改善することができる。
ファーダーアウェアの変種は評価されたHGT構成の中で最大かつ最も一貫した利得をもたらす。
しかし、ディレクトリルールはシステムごとの中央値の精度は89-100%であり、フォルダ情報の追加はルールが誤分類したファイルの予測を一貫して改善しない。
メンバーノードはファイルレベルのグラフに対して一貫した改善を提供しない。
これらの発見は、グラフニューラルネットワークの改善に貢献する前に、ファイル表現とディレクトリ組織がすでに提供しているものを評価することをサポートする。
関連論文リスト
- GALA: Multimodal Graph Alignment for Bug Localization in Automated Program Repair [40.228155198574356]
本稿では,マルチモーダル自動プログラム修復(APR)を暗黙的な意味的推測から明示的な構造的推論に移行するフレームワークであるGALAを提案する。
GALAは、まずイメージUIグラフを構築して、視覚要素とその構造的関係をキャプチャし、続いて、このUIグラフをリポジトリレベルの構造と相互参照することで、ファイルレベルのアライメントを実行する。
モダリティ間のセマンティクスとリレーショナルの整合性を強制することにより、GALAは高度に正確なビジュアル・ツー・コードマッピングを確立する。
論文 参考訳（メタデータ） (2026-04-09T11:06:25Z) - Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z) - Sparse Graph Representations for Procedural Instructional Documents [7.205864119886871]
本稿では,文書ペアを有向かつ疎結合なJCIGとして表現することで,文書の類似性をモデル化する2つの手法を提案する。
スパース指向グラフモデルアーキテクチャは、シーケンシャルな情報を含まないベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2024-02-06T12:34:15Z) - Coreference Graph Guidance for Mind-Map Generation [5.289044688419791]
近年、最先端の手法が文書の文を逐次エンコードし、シークエンス・トゥ・グラフを介して関係グラフに変換する。
外部構造知識を組み込むためのコア推論誘導マインドマップ生成ネットワーク(CMGN)を提案する。
論文 参考訳（メタデータ） (2023-12-19T09:39:27Z) - Enhancing Scene Graph Generation with Hierarchical Relationships and Commonsense Knowledge [7.28830964611216]
この研究は、関係階層とコモンセンス知識の両方によってシーングラフを生成するための拡張されたアプローチを導入する。
我々は,シーングラフ予測システムから結果を批判するために基礎モデルを活用する,堅牢なコモンセンス検証パイプラインを実装した。
Visual GenomeとOpenImage V6データセットの実験では、既存のシーングラフ生成アルゴリズムのプラグインとプレイの拡張として、提案されたモジュールをシームレスに統合できることが示されている。
論文 参考訳（メタデータ） (2023-11-21T06:03:20Z) - FactGraph: Evaluating Factuality in Summarization with Semantic Graph
Representations [114.94628499698096]
文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。
MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。
事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
論文 参考訳（メタデータ） (2022-04-13T16:45:33Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-04-16T04:56:38Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。
我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。
我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
論文 参考訳（メタデータ） (2020-01-30T15:32:08Z)
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。