"Graph neural network and dependency graphs for function name prediction"

Défense de monsieur Nicolas Bastien

Rejoindre la défense

 

Avec la popularité croissante de l'apprentissage profond, les réseaux de neurones en graphe (GNN) ont été très largement appliqués à un nombre varié de tâches dans des domaines comme le traitement automatique des langages naturels (NLP) et l'ingénierie logicielle (SE). Les recherches en résumé de code ont commencées à utiliser les GNN pour extraire la sémantique du code rassemblée à travers les structures de graphes des codes sources et ont obtenu des résultats de pointe. La plupart de ces structures de graphes sont directement extraites d'arbres de syntaxe abstraite (AST) qui sont utilisés par les compilateurs pour représenter la structure d'un programme. Même si les AST incorporent les propriétés sémantiques des programmes, nous supposons que ces représentations introduisent également du bruit en incluant des aspects tels que des boucles, des expressions conditionnelles et des éléments syntaxiques. Dans ce mémoire, nous présentons une approche originale pour générer des graphes de dépendances à partir de codes sources et les utiliser dans une architecture GNN pour prédire des noms de fonctions. Nos résultats montrent que l'utilisation de graphes de dépendance au lieu d'AST pour extraire la sémantique d'un code source, peut égaler les performances de l'état de l'art sur certaines métriques tout en réduisant le besoin en ressources de calcul.

 

Mots-clés : réseaux de neurones en graphe, GNN, traitement automatique des langages naturels, NLP, ingénieurie logicielle, résumé de code, arbre de syntaxe abstraite, AST, graphe de dépendance

 

Télecharger : vCal