PERFOGRAPH：用于性能优化与程序分析的数值感知程序图表示

基于摘要分析。本文研究机器学习如何表示程序，以支持程序分析与性能优化，提出数值感知程序图表示 PERFOGRAPH，针对既有表示在数值信息、聚合数据结构信息和变量表示方面的局限进行改进。 方法上，PERFOGRAPH 通过引入新的节点与边来捕获数值信息及聚合数据结构，并配合经过适配的嵌入方法引入数值感知能力。其主要贡献是改进程序语义与依赖关系的表示，而非提出神经信号建模方法。摘要未说明具体节点和边的定义、数值编码方式、下游模型结构或训练目标，相关实现细节尚未验证。 结果方面，作者报告，在 Device Mapping 任务的 AMD dataset 和 NVIDIA dataset 上，相较既有表示，错误率分别降低 7.4% 和 10%，并声称达到新的最佳结果。摘要未明确上述降幅属于相对百分比还是百分点，也未提供具体对照、数据划分或统计信息，因此不能据此作更细的量化比较。作者还报告在 Parallelism Discovery、NUMA 和 Prefetchers Configuration 预测任务上取得新的最佳结果，但摘要未提供对应指标与数值。 阅读全文时需核对各项表示改动的独立贡献、数据划分、对照设置、统计可靠性，以及可扩展性的评估依据。本文的直接研究对象是程序表示与计算性能优化；现有材料未建立其与 EEG/BCI 信号建模的具体机制对应，不据此提出迁移效果或复现实验建议。