论文题目：LambdaNet: Probabilistic Type Inference using Graph Neural Networks
论文来源：ICLR 2020
论文链接：https://openreview.net/forum?id=r1lZ7AEKvB
代码链接：https://github.com/MrVPlusOne/LambdaNet
关键词：GNN，谓词，代码类型注释，attention，超边，指针网络
1 摘要
本文使用图神经网络进行推理，具体的场景是在 Python 或者 Typescript 之类的语言中自动进行代码的类型注释。
该方法首先使用轻量级的源代码分析生成一个程序抽象——类型依赖图。该图将类型变量和逻辑约束、名称以及使用信息联系在一起。给定这个图后，使用GNN在相关的类型变量间进行消息传播，最终进行类型的预测。
本文提出的方法可以预测标准的类型，例如number、string，也可以预测出训练中未出现过的用户自定义的类型。
2 引言
在过去的十年中，例如Python、Ruby、Javascript之类的动态类型语言获得了极大的普及，但它们缺乏静态类型系统，缺乏在编译时捕获错误的能力以及code completion的支持，在可维护性方面存在一定的缺陷。
Gradual typing可以解决这些不足：程序变量有可选的类型注释，这样类型系统就可以在需要的时候执行静态类型检查。有许多流行的编程语言可支持gradual typing，但由于它们大量使用动态语言结构并且缺乏主要的类型，编译器不能使用来自编程语言社区的标准算法进行类型推断。并且，手动向现有的代码库添加类型注释非常繁琐而且易出错。
为了减少从无类型的代码向静态类型代码过渡所涉及的人工工作，本文的工作使用基于学习的方法，自动地为无类型(或有部分类型)的代码库推断出可能的类型注释。
已有方法的缺点：
本文使用的是TypeScript，是Javascript的一种变形，该语言有大量的类型注释的程序作为训练数据。已经有一些使用机器学习为TypeScript推断类型标注的方法，但这些方法都有一些缺点：
（1）推断的结果来源于有限的类型词典，即推断的类型都是在训练过程中出现过的，不能推断出用户定义的数据类型。
（2）即使不考虑用户定义的类型，这些方法的准确率也不高。
（3）这些方法可能会产生不一致的结果，对于相同的变量可能因为出现位置的不同，导致预测出来的类型不同。
作者提出：
使用GNN对TypeScript进行类型推断，避免了上述问题。
本文的方法先使用轻量级的源代码分析，将程序转换成类型依赖图。图由节点和有标签的超边(hyperedges)组成，图中的节点代表类型变量，节点间的关系编码在了超边里。类型依赖图中除了表达了逻辑约束之外，还结合了设计命名和变量使用的上下文提示。
给定类型依赖图后，使用GNN为每种类型变量计算出一个向量表示，然后使用类似指针网络的结构进行类型预测。
GNN本身需要处理各种类型的超边(有些具有可变数量的参数)，为此作者定义了恰当的图传播操作。
在预测层比较了类型变量的向量表示和候选类型的向量表示，从而可以灵活地处理在训练阶段未出现过的用户定义的类型。
另外，模型的预测结果具有一致性，因为模型进行的是变量级别的预测，而不是位置级别的预测。
贡献：
（1）提出了一个TypeScript的概率类型推断算法)(LambdaNet)，使用了深度学习的方法，根据程序对应的类型依赖图的表示进行预测。
（2）使用GNN方法进行了类型变量的向量表示的计算，并且提出类似指针网络的方法对用户定义的类型进行预测。
（3）实验证明了LambdaNet的有效性以及和之前的方法相比的优越性。
3 动机举例和问题设置
————————————————
版权声明：本文为CSDN博主「byn12345」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/byn12345/article/details/105291133
