paperbot · PL 论文追踪

全部论文 待读 收藏

P1 TypeCare: Boosting Python Type Inference Models via Context-Aware Re-Ranking and Augmentation

TypeCare：通过上下文感知的重排序与数据增强提升 Python 类型推断模型
ICSE Proceedings of the 2026 IEEE/ACM 48th International Conference on Software Engineering2026匹配度 5/10 · 该论文用机器学习模型改进 Python 类型推断，属于 AI 辅助静态分析/类型系统，与“AI→PL”方向有交集；但未涉及 LLM/Agent、浮点程序分析或贝叶斯程序分析，也不是面向 ML 系统或 Agentic 程序的静态分析，因此匹配度中等。引用 0 inbox
Wonseok Oh, Hakjoo Oh
机器学习与程序语言类型系统
crossref: 2026-09-12

AI 速览

一句话：提出上下文感知重排序与数据增强方法 TypeCare，提升 Python 类型推断模型对稀有与复杂类型的推断能力。

Python 类型注解能提升代码可读性并支撑静态分析与开发效率，但人工标注代价高且易出错。近年基于学习的类型推断模型虽有进展，却难以处理训练数据中稀有的或复杂的类型。为此，作者提出 TypeCare，在现有类型推断模型之上引入上下文感知的重排序（re-ranking）与数据增强（augmentation）机制，以缓解数据不平衡带来的性能瓶颈。方法的核心在于利用更丰富的上下文信息对候选类型进行重新排序，并通过增强训练数据提升模型对低频类型的泛化能力。摘要未报告具体实验数据，但该工作面向稀有/复杂类型的推断难题，旨在提升现有学习式模型的推断准确率。

问题
现有基于学习的 Python 类型推断模型在训练数据中罕见的或复杂的类型上表现不佳，而人工标注类型又费时费力。
方法
提出 TypeCare，在已有类型推断模型基础上结合上下文感知的候选类型重排序与数据增强，以提升对稀有/复杂类型的推断能力。
评估
摘要未给出具体的评估数据集、基线或指标，仅说明方法用于提升学习式类型推断模型在代表性不足类型上的表现。
原文摘要（Abstract）

Type annotations improve Python code quality by enabling better readability, static analysis, and developer productivity. However, manually annotating existing code is labor-intensive and error-prone. While recent learning-based models have advanced automatic type inference, they struggle with rare or complex types that are underrepresented in training data.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot11509,
  title = {TypeCare: Boosting Python Type Inference Models via Context-Aware Re-Ranking and Augmentation},
  author = {Wonseok Oh and Hakjoo Oh},
  booktitle = {ICSE},
  year = {2026},
  doi = {10.1145/3744916.3773213}
}