PulseAugur
中
实时 23:40:03
English(EN) PLMGH: What Matters in PLM-GNN Hybrids for Code Classification and Vulnerability Detection

研究人员研究用于代码分类和漏洞检测的 PLM-GNN 混合模型

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员探索了将预训练语言模型 (PLM) 与图神经网络 (GNN) 相结合用于代码分类和漏洞检测的有效性。他们的研究题为“PLMGH”，系统地配对了各种代码专用 PLM 和 GNN 架构。研究结果表明，这些混合方法通常优于仅 GNN 的方法，并且可以提高冻结 PLM 的性能。值得注意的是，PLM 的选择及其特征来源对任务性能和鲁棒性比 GNN 主干更为关键。 AI

影响 为设计 PLM-GNN 混合模型提供了实用指南，有望改进代码分析工具。

排序理由 关于结合 PLM 和 GNN 进行代码分析的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

研究人员研究用于代码分类和漏洞检测的 PLM-GNN 混合模型

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Mohamed Taoufik Kaouthar El Idrissi, Edward Zulkoski, Mohammad Hamdaqa ·

    PLMGH：PLM-GNN 混合模型在代码分类和漏洞检测中的关键作用

    arXiv:2604.25599v1 Announce Type: cross Abstract: Code understanding models increasingly rely on pretrained language models (PLMs) and graph neural networks (GNNs), which capture complementary semantic and structural information. We conduct a controlled empirical study of PLM-GNN…

  2. arXiv cs.LG TIER_1 English(EN) · Mohammad Hamdaqa ·

    PLMGH：PLM-GNN 混合模型在代码分类和漏洞检测中的关键作用

    Code understanding models increasingly rely on pretrained language models (PLMs) and graph neural networks (GNNs), which capture complementary semantic and structural information. We conduct a controlled empirical study of PLM-GNN hybrids for code classification and vulnerability…

相关实体

相关话题