FCCA：使用注意力网络进行功能性代码克隆检测的混合代码表示

基于摘要分析。该研究针对浅层文本或语法特征难以准确识别复杂功能性代码克隆的问题，提出 functional code clone detector using attention（FCCA），通过融合多种代码表示并引入注意力机制，识别功能相似的代码片段。研究对象是软件源代码，而非 EEG 信号或 BCI 任务。 方法同时保留非结构化信息与结构化信息：前者为顺序代码 token，后者包括抽象语法树和控制流图。多类特征被融合为混合表示，注意力机制用于关注对检测有贡献的代码部分与特征。摘要未说明具体编码器、融合运算、注意力结构、损失函数或训练流程，这些实现细节尚未验证。 作者报告，在包含 275 777 对真实世界 Java 代码克隆样本的评估中，FCCA 在 Accuracy、Recall 和 F1 上优于若干当时的先进方法。摘要未提供具体指标数值、基线名称、数据划分或负样本构成，因此不能据此量化优势或判断跨项目泛化能力；实验协议、消融及统计信息尚未验证。 复现时需核对代码对与功能性克隆的标注定义、训练测试划分，以及不同表示和注意力模块各自的贡献。该方法依赖代码的序列与程序结构信息，材料未建立其与 EEG 数据结构之间的具体对应关系，不据此推导 BCI 有效性；相关 EEG 工作尚未检索确认。