論文の概要: Typify: A Tool for Usage-driven Type Inference in Python
- arxiv url: http://arxiv.org/abs/2611.14879v1
- Date: Wed, 11 Nov 2026 01:07:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.972336
- Title: Typify: A Tool for Usage-driven Type Inference in Python
- Title(参考訳): Typify: Pythonのユースケース駆動型推論ツール
- Abstract要約: 我々はTypifyを紹介します。Typifyは軽量で使用量駆動の静的型推論エンジンです。
Typifyは、アノテーションやトレーニングデータなしで、Pythonプロジェクト全体にわたって正確な型情報を推論する。
- 参考スコア(独自算出の注目度): 6.5983135199484595
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Python's dynamic type system, while expressive and flexible, creates significant challenges for static analysis tools in unannotated or partially annotated codebases. Existing approaches either require pre-existing type annotations, or depend on deep learning models that demand large training corpora and significant computational resources. We present Typify, a lightweight, usage-driven static type inference engine that infers precise type information across entire Python projects without annotations or training data. Typify integrates symbolic execution, fixpoint analysis, and context-matching retrieval to propagate types across modules, functions, and recursive call structures. The tool is available as both a command-line interface (CLI) for batch inference, evaluation and downstream integration with other tools, and a Visual Studio Code (VS Code) extension for interactive type assistance. Evaluation on the ManyTypes4Py and Typilus datasets shows that Typify outperforms all static baselines and closely matches state-of-the-art hybrid deep learning approaches, while running approximately 10x faster.
- Abstract(参考訳): Pythonの動的型システムは、表現力と柔軟性があるにもかかわらず、注釈のない、または部分的に注釈付けされたコードベースで静的解析ツールに重大な課題を生じさせる。
既存のアプローチでは、既存の型アノテーションを必要とするか、大規模なトレーニングコーパスと重要な計算資源を必要とするディープラーニングモデルに依存している。
アノテーションやトレーニングデータなしで、Pythonプロジェクト全体にわたって正確な型情報を推論する、軽量で使用量駆動の静的型推論エンジンであるTypifyを紹介します。
Typifyはシンボル実行、固定点解析、コンテキストマッチング検索を統合し、モジュール、関数、再帰的な呼び出し構造を横断する型を伝搬する。
このツールは、バッチ推論、評価、他のツールとのダウンストリーム統合のためのコマンドラインインターフェイス(CLI)と、インタラクティブな型アシストのためのVisual Studio Code(VS Code)拡張の両方で利用できる。
ManyTypes4PyとTypilusデータセットの評価によると、Typifyは静的ベースラインをすべて上回り、最先端のハイブリッドディープラーニングアプローチと密接に一致し、約10倍高速に動作している。
関連論文リスト
- Typify: A Lightweight Usage-driven Static Analyzer for Precise Python Type Inference [7.733270505483109]
Pythonの動的型システムは静的解析に重大な課題をもたらす。
使用法駆動の静的解析エンジンであるTypifyを紹介する。
Typifyは、統計的学習に頼ることなく、正確で文脈的に関係のある型情報を推測する。
論文 参考訳(メタデータ) (2026-04-06T18:13:34Z) - Combining Type Inference and Automated Unit Test Generation for Python [9.856068089918555]
Pythonのような動的型付けプログラミング言語における型情報の欠如は、テストジェネレータを阻害する。
本稿では、実行中に型関連情報を抽出し、利用可能な型情報を徐々に洗練する型トレースについて紹介する。
このアプローチでは、ブランチカバレッジが最大90.0%増加し、突然変異スコアが向上し、他の最先端の型推論ツールが生成するものと同じような品質の情報をタイプする。
論文 参考訳(メタデータ) (2025-07-02T08:41:28Z) - Type-Constrained Code Generation with Language Models [51.03439021895432]
本稿では,型システムを利用してコード生成を誘導する型制約デコード手法を提案する。
そこで本研究では,新しい接頭辞オートマトンと,在来型を探索する手法を開発し,LLM生成コードに適切な型付けを強制するための健全なアプローチを構築した。
提案手法は,コード合成,翻訳,修復作業において,コンパイルエラーを半分以上削減し,機能的正しさを著しく向上させる。
論文 参考訳(メタデータ) (2025-04-12T15:03:00Z) - Toward a Corpus Study of the Dynamic Gradual Type [0.0]
本稿では,mypy型チェッカーを使用する221のGitHubプロジェクトを対象とする,Pythonの動的型に関する社内調査について報告する。
この研究は、動的型のための8つのパターンを明らかにし、このパターンは、mypy型システムの今後の改良や、正確な型アノテーションを促進するためのツールサポートに影響を及ぼす。
論文 参考訳(メタデータ) (2025-03-11T22:18:51Z) - Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。
より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。
これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
論文 参考訳(メタデータ) (2024-03-26T12:47:39Z) - ArcheType: A Novel Framework for Open-Source Column Type Annotation using Large Language Models [24.867534196627222]
ArcheTypeは、コンテキストサンプリング、即時シリアライゼーション、モデルクエリ、ラベルリマッピングのための、シンプルで実用的な方法である。
ゼロショットCTAベンチマークに最先端の性能を新たに確立する。
論文 参考訳(メタデータ) (2023-10-27T15:31:22Z) - Generative Type Inference for Python [62.01560866916557]
本稿では静的解析から静的ドメイン知識を取り入れた数ショットの生成型推論手法であるTypeGenを紹介する。
TypeGenは、静的解析の型推論ステップを、型依存グラフ(TDG)に基づいたプロンプトに変換することで、COTプロンプトを生成する。
実験の結果、TypeGenは引数型予測では10.0%、Top-1 Exact Matchでは22.5%で最高のベースラインであるType4Pyを上回っている。
論文 参考訳(メタデータ) (2023-07-18T11:40:31Z) - TypeT5: Seq2seq Type Inference using Static Analysis [51.153089609654174]
本稿では,型予測をコード入力タスクとして扱う新しい型推論手法を提案する。
本手法では静的解析を用いて,型シグネチャがモデルによって予測されるコード要素毎に動的コンテキストを構築する。
また,モデルの入力コンテキストに事前の型予測を組み込んだ反復復号方式を提案する。
論文 参考訳(メタデータ) (2023-03-16T23:48:00Z) - Type4Py: Deep Similarity Learning-Based Type Inference for Python [9.956021565144662]
類似度学習に基づくpythonの型推論モデルであるtype4pyを提案する。
高次元空間における同種の型と異種の型を区別することを学ぶ階層的ニューラルネットワークモデルを設計する。
Top-1の予測を考えると、Type4PyはTypilusとTypeWriterよりも19.33%、13.49%高い精度である。
論文 参考訳(メタデータ) (2021-01-12T13:32:53Z) - LambdaNet: Probabilistic Type Inference using Graph Neural Networks [46.66093127573704]
本稿では,グラフニューラルネットワークに基づくTypeScriptの確率型推論手法を提案する。
弊社のアプローチでは、数値や文字列などの標準型と、トレーニング中に遭遇していないユーザ定義型の両方を予測できる。
論文 参考訳(メタデータ) (2020-04-29T17:48:40Z)
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。