🤖 AI

A Benchmark Dataset for Graph Regression with Homogeneous and Multi-Relational Variants

تقدم هذه المساهمة RelSC، وهي مجموعة بيانات مرجعية مبتكرة لمهام الانحدار على الرسوم البيانية مستمدة من رسوم بيانية برمجية مع تسميات وقت التشغيل، والمتاحة في كل من نسختي الرسوم المتجانسة ومتعددة العلاقات لتقييم كيفية تأثير قرارات التمثيل الهيكلي على أداء النموذج.

المؤلفون الأصليون: Peter Samoaa, Marcus Vukojevic, Morteza Haghir Chehreghani, Antonio Longa

نُشر 2026-05-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Peter Samoaa, Marcus Vukojevic, Morteza Haghir Chehreghani, Antonio Longa

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم روبوت كيفية تقدير الوقت الذي يستغرقه برنامج حاسوبي للتنفيذ. وللقيام بذلك، يجب أن تريه صورة للكود، ولكن ليست مجرد أي صورة—بل خريطة خاصة تمثل كيفية تواصل الأجزاء المختلفة من الكود مع بعضها البعض.

يقدم هذا المقال "قاعة تدريب" جديدة وضخمة (مجموعة بيانات) تسمى RelSC لمساعدة الباحثين على تطوير روبوتات (نماذج ذكاء اصطناعي) أفضل لهذه المهمة المحددة. إليك تفصيل لما قاموا به، باستخدام تشبيهات بسيطة.

المشكلة: نظام الروبوت الغذائي ممل للغاية

في الوقت الحالي، تعتمد معظم نماذج الذكاء الاصطناعي التي تحلل الرسوم البيانية (خرائط الاتصالات) على نظام غذائي محدود للغاية. فهي تتغذى بشكل أساسي على الجزيئات (مثل المركبات الكيميائية المستخدمة في صنع الأدوية) أو شبكات الاستشهاد (مثل خريطة توضح من استشهد بمن في الأوراق العلمية).

ويرى المؤلفون أن هذا يشبه طباخاً لا يعرف سوى الطبخ باستخدام التفاح فقط. هم يريدون تعليم الذكاء الاصطناعي الطبخ بكل شيء، بما في ذلك كود البرمجيات. ومع ذلك، لم يكن هناك "كتاب طبخ" جيد (مجموعة بيانات) لأداء البرمجيات.

الحل: "قاعة تدريب كود" جديدة (RelSC)

أنشأ المؤلفون RelSC، وهي مجموعة ضخمة من برامج "جافا" (Java) مقترنة بـ "أوقات تنفيذها" الفعلية (الوقت الذي استغرقته للتشغيل). تخيل هذا كأنها مكتبة حيث يأتي كل كتاب (كود) ومعه ساعة إيقاف.

لقد بنوا هذه المكتبة بنكهتين مختلفتين لاختبار كيفية تعلم الذكاء الاصطناعي:

RelSC-H (النسخة المتجانسة):
- التشبيه: تخيل خريطة مدينة حيث كل طريق هو مجرد "طريق". يمكنك رؤية الطرق، لكنك لا تعرف ما إذا كان الطريق طريقاً سريعاً، أم مساراً ترابياً، أم مساراً للدراجات الهوائية. إنه مجرد "اتصال".
- في المقال: تقوم هذه النسخة بتحويل الكود إلى رسم بياني حيث تبدو جميع الاتصالات متشابهة، لكن "المباني" (العقد) تحتوي على تفاصيل غنية حول ماهيتها (على سبيل المثال: "هذه عملية رياضية"، "هذا متغير").
RelSC-M (النسخة متعددة العلاقات):
- التشبيه: الآن تخيل نفس خريطة المدينة، ولكن الطرق ملونة ومصنفة. لديك طرق سريعة (تدفق البيانات من متغير إلى آخر)، إشارات مرور (قرارات if/else)، وشوارع اتجاه واحد (حلقات التكرار/loops).
- في المقال: تحافظ هذه النسخة على "أنواع" الاتصالات المحددة. إنها تخبر الذكاء الاصطناعي: "هذا السطر يربط متغيراً بعملية رياضية" أو "هذا السطر يربط شرطاً بحلقة تكرار". إنها خريطة أكثر تفصيلاً وتعقيدًا.

كيف صنعوا الخرائط

لتحويل الكود إلى هذه الخرائط، استخدموا ثلاث أدوات قياسية في علوم الحاسوب، مثل طبقات الكعكة:

AST (الهيكل العظمي): البنية الأساسية للكود (مثل إطار المنزل).
CFG (تدفق المرور): كيف يتحرك البرنامج (مثل إشارات المرور وإشارات الانعطاف).
DFG (أنابيب المياه): كيف تتحرك البيانات وتتغير (مثل تدفق المياه عبر الأنابيب).

لقد مزجوا هذه الثلاثة في خريطة فائقة التفصيل لسلوك الكود.

التجربة: من تعلم بشكل أفضل؟

وضع المؤلفون نماذج ذكاء اصطناي مختلفة (شبكات عصبية رسومية - Graph Neural Networks) في قاعة التدريب هذه ليروا مدى جودة قدرتها على التنبؤ بوقت التنفيذ.

النتائج:
- كانت نماذج الذكاء الاصطناعي التي استخدمت خرائط الرسوم البيانية (RelSC) أفضل عموماً في تقدير الوقت من النماذج التي كانت تقرأ الكود كمجرد نص أو أشجار بسيطة.
- رؤية مفاجئة: على الرغم من أن RelSC-M (خريطة الطريق السريع المفصلة متعددة المسارات) كانت تحتوي على معلومات أكثر، إلا أن النماذج كانت تعمل أحياناً بشكل أفضل مع RelSC-H (الخريطة البسيطة ذات المسار الواحد).
- الخلاصة: يشير هذا إلى أن كثرة التفاصيل، أو النوع الخاطئ من التفاصيل، يمكن أن يربك الذكاء الاصطناعي أحياناً. الأمر يشبه إعطاء سائق خريطة توضح كل حفرة في الطريق؛ أحياناً تكون الخريطة الأبسط أسهل في الملاحة.

لماذا هذا مهم

يزعم المقال أن مجموعة البيانات هذه هي "معيار تحدي ومتعدد الاستخدامات". فهي تجبر باحثي الذكاء الاصطناعي على التوقف عن الاختبار فقط على الجزيئات والبدء في الاختبار على هياكل البرمجيات الحقيقية.

باختختصر: بنى المؤلفون أرض تدريب جديدة ومتنوعة للذكاء الاصطناعي ليتعلم كيفية التنبؤ بسرعة البرمجيات. وقد أظهروا أنه بينما تعتبر خرائط الكود التفصيلية قوية، فإن طريقة رسم هذه الخرائط لا تقل أهمية عن المعلومات الموجودة بداخلها. وهم الآن يتيحون هذه "قاعة التدريب" للجميع حتى يتمكن الآخرون من محاولة بناء روبوتات أفضل.

ملخص تقني: مجموعة بيانات مرجعية لمهام الانحدار الرسومي بمتغيرات متجانسة ومتعددة العلاقات

بيان المشكلة

حققت الشبكات العصبية الرسومية (GNNs) نجاحاً كبيراً في مهام تصنيف العقد والرسوم البيانية في مجالات مثل البيولوجيا، والشبكات الاجتماعية، وأنظمة التوصية. ومع ذلك، لا يزال الانحدار الرسومي (graph regression) غير مستكشف بشكل كبير، حيث تركز المعايير المرجعية العامة بشكل مكثف على الرسوم البيانية الجزيئية وشبكات الاقتباس (التي تتركز أساساً في الكيمياء واكتشاف الأدوية). هذا النقص في التنوع يعيق تطوير وتقييم الشبكات العصبية الرسومية لمهام الانحدار في مجالات حيوية أخرى مثل هندسة البرمجيات، والتمويل، والنقل. وبشكل خاص، هناك نقص في مجموعات البيانات التي تمكن الباحثين من استقصاء كيف تؤثر قرارات التمثيل الهيكلي (المتجانس مقابل متعدد العلاقات) على سلوك النموذج في مهام الانحدار الرسومي.

المنهجية

يقدم المؤلفون RelSC، وهي مجموعة بيانات جديدة للانحدار الرسومي تم تطويرها لغرض التنبؤ بأداء البرمجيات، وتحديداً التركيز على تقدير وقت تنفيذ كود المصدر بلغة جافا (Java). تتضمن المنهجية تحويل كود المصدر إلى تمثيلات رسومية تلتقط كلاً من البنية النحوية (syntactic structure) وتدفق التنفيذ الدلالي (semantic execution flow).

جمع البيانات

تتكون مجموعة البيانات من مصدرين لضمان التنوع في التعقيد والبيئة:

OSSBuild: أوقات التنفيذ المستخرجة من أنظمة التكامل المستمر (CI) لأربعة مشاريع مفتوحة المصدر (SystemDS، وH2، وDubbo، وRDF4J).
HadoopTests: أوقات التنفيذ من 2,895 اختبار وحدة (unit tests) لإطار عمل Apache Hadoop، والتي تم قياسها في بيئة افتراضية محكومة.
يتم تطبيع القيم المستهدفة (أوقات التنفيذ) لتكون في النطاق $[0, 1]$ لضمان إمكانية المقارنة بين مجموعات البيانات ذات المقاييس المختلفة.

بناء الرسم البياني

يكمن المساهمة الجوهرية في بناء متغيرين مكملين من أشجار الإعراب المجردة (ASTs):

RelSC-H (المتجانس):
- يبدأ بشجرة إعراب مجردة (AST) يتم تحليلها عبر javalang.
- يحول الشجرة إلى رسم بياني موجه.
- التوسعة: يدمج الحواف من مخططات تدفق التحكم (CFG) ومخططات تدفق البيانات (DFG) لالتقاط دلالات التنفيذ. يتضمن هذا 11 نوعاً إضافياً من الحواف (مثل: If Flow وWhile Execution Flow وNext Use وNext Statement Flow).
- الميزات: يتم ترميز العقد بمتجهات "one-hot" تمثل 72 نوعاً من أنواع عقد الـ AST. يتم دمج ميزات العقد مع الترميز المجموع لـ "one-hot" لأنواع الحواف الخارجة لالتقاط السياق العلاقاتي.
RelSC-M (متعدد العلاقات):
- يبني على نموذج RelSC-H ولكنه يصنف أنواع عقد الـ 72 إلى 7 فئات دلالية: التصريحات (Declarations)، أنواع البيانات (Data Types)، تدفق التحكم (Control Flow)، العمليات (Operations)، العناصر الهيكلية (Structural Elements)، الاستثناءات/الأخطاء (Exceptions/Errors)، والمتنوع (Miscellaneous).
- البنية: يبني رسماً بيانياً متعدد العلاقات حيث تُعرف الحواف من خلال العلاقة المحددة بين هذه الفئات، مما ينتج عنه ما يصل إلى 49 نوعاً متميزاً من العلاقات.
- الميزات: مشابه لـ RelSC-H ولكنه يستخدم تمرير الرسائل غير المتجانس (heterogeneous message passing) لمعاملة أنواع العلاقات المختلفة بشكل مختلف.

المساهمات الرئيسية

معيار مرجعي جديد: تقديم RelSC، أول معيار مرجعي واسع النطاق للانحدار الرسومي في هندسة البرمجيات، والذي يوفر وقت التنفيذ كمتغير هدف مستمر.
متغيرات مزدوجة: إصدار كل من RelSC-H (متجانس، غني بميزات العقد) و RelSC-M (متعدد العلاقات، يحافظ على العلاقات الدلالية الأصلية)، مما يسمح بمقارنة مباشرة لكيفية تأثير التمثيل الهيكلي على أداء الانحدار.
التوسعة الدلالية: على عكس الأعمال السابقة التي تعتمد فقط على الخصائص الهيكلية، يدمج هذا النهج ميزات العقد الدلالية وحواف التدفق (CFG/DFG) لإنشاء تمثيل أكثر تعبيراً عن تنفيذ الكود.
التوافر العام: مجموعة البيانات، وكائنات الرسوم البيانية (بتنسيق PyTorch Geometric)، وكود بناء الرسوم البيانية وتدريب النماذج متاحة للجمهور.

النتائج التجريبية

قيم المؤلفون مجموعة متنوعة من البنيات على كلا المتغيرين:

النماذج المرجعية (Baselines): نماذج كود المصدر (CodeBERT، وCode2Vec) والشبكات العصبية الرسومية القياسية (GCN، وChebConv، وGIN، وGraphSAGE، وPNA).
النماذج متعددة العلاقات: نماذج HeteroGNN (مثل HeteroSAGE، وHeteroGAT) لنموذج RelSC-M.

النتائج الرئيسية:

تفوق الشبكات العصبية الرسومية (GNNs): تفوقت النماذج القائمة على GNN باستمرار على النهج القائمة على النماذج (Model-based) مثل (CodeBERT) و(Code2Vec) عبر جميع مجموعات البيانات.
أفضل المؤدين:
- في RelSC-H، حقق نموذج PNA (Principal Neighborhood Aggregation) أدنى متوسط خطأ مطلق (MAE) في كل مجموعة بيانات.
- في RelSC-M، تفوق HeteroGAT عموماً على HeteroSAGE، رغم أن الأداء تباين بشكل كبير اعتماداً على حجم مجموعة البيانات وتعقيدها.
تأثير التمثيل: خلافاً للحدس بأن الهياكل متعددة العلاقات توفر معلومات أغنى، فإن النماذج المدربة على RelSC-H غالباً ما كان أداؤها أفضل من تلك المدربة على RelSC-M. يشير هذا إلى أن الاستفادة الفعالة من البيانات متعددة العلاقات لمهام الانحدار لا تزال تحدياً مفتوحاً.
دراسة الاستئصال (Ablation Study): أدت إضافة حواف التدفق (CFG/DFG) إلى أشجار الـ AST الصرفة إلى تقليل متوسط الخطأ المطلق (MAE) بشكل ملحوظ (بمقدار 0.07–0.09 تقريباً)، مما يؤكد الدور الحاسم للتوسعة الدلالية في التنبؤ بوقت التنفيذ.
القيود: عانت جميع النماذج مع القيم المتطرفة والأهداف عالية التباين، خاصة في مجموعة بيانات Hadoop، حيث كانت التنبؤات غالباً ما تتجمع بالقرب من الصفر وتفشل في تقدير أوقات التنفيذ العالية بدقة.

الأهمية والادعاءات

يزعم العمل أن RelSC يسد فجوة حرجة في توافر المعايير المرجعية المتنوعة للانحدار الرسومي. ومن خلال التوسع لما وراء المشهد الذي تهيمن عليه الكيمياء، فإنه يتيح استكشاف الشبكات العصبية الرسومية في هندسة البرمجيات، وهو مجال ذو أهمية عملية عالية لتحسين الكود، وإعادة الهيكلة (refactoring)، وكشف تراجع الأداء في أنظمة التكامل المستمر (CI/CD).

يضع المؤلفون RelSC ليس كاقتراح لبنية جديدة، بل كميدان اختبار صارم لتقييم النماذج الحالية والمستقبلية. وتؤكد النتائج أن الشبكات العصبية الرسومية (GNNs) هي متفوقة على الطرق غير الرسومية لهذه المهمة، ومع ذلك فإن الاختيار المحدد للتمثيل الهيكلي (المتجانس مقابل متعدد العلاقات) يؤثر بشكل كبير على الأداء. ويخلص العمل إلى أن مجموعات البيانات المقترحة تمثل مورداً قيماً لتقدم طرق التعلم القائمة على الرسوم البيانية في المجالات غير المستكشفة كفاية، رغم أنها تظهر أيضاً أن النماذج الحالية لا تزال تعاني من تعقيد وتغير أوقات تنفيذ البرمجيات في العالم الحقيقي.