dypro公司

学习程序语义的可伸缩和精确表示。神经程序嵌入在辅助分析大型复杂软件方面显示出了巨大的潜力。新提出的深层神经体系结构以学习程序语义而不是表面的句法特征为荣。然而,由于只考虑源代码,绝大多数神经网络无法捕获程序语义的深层次、精确表示。在本文中,我们提出了一种新的深度神经网络dypro。与以前的动态模型相比,dypro不仅能够跨多个执行进行泛化,以学习整个程序的动态语义,而且在处理产生长执行轨迹的程序时,dypro的效率也更高。在评估方面,我们使用语义分类(即根据程序的语义对程序进行分类),并将其与两个著名的静态模型:门控图神经网络和treelsm进行比较。我们发现dypro在所有模型中达到了最高的预测精度。为了进一步揭示上述所有深层神经结构的能力,我们研究这些模型是否可以学习检测程序的深层语义属性。特别是在识别循环不变量的任务中,我们发现dypro大大优于所有静态模型。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换


zbMATH中的参考文献(参考文献1条,1标准件)

显示结果1/1。
按年份排序(引用)

  1. 王珂:学习程序语义的可伸缩精确表示(2019)阿尔十四