PERFOGRAPH：面向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有效表示程序，提出图表示 PERFOGRAPH，以补充既有程序表示中的数值信息、聚合数据结构信息及变量表达。其主要研究对象是程序语义与计算性能优化，而非 EEG 信号或 BCI 解码。 机制上，PERFOGRAPH 通过引入新的节点与边捕获数值信息及聚合数据结构，并采用适配的嵌入方法纳入数值感知能力。作者认为，这些改动有助于表达程序中的依赖关系和语义，可用于程序分析、性能优化与并行性发现。摘要未说明具体节点与边类型、数值编码方式、下游模型及训练目标，相关实现尚未验证。 结果方面，作者报告，在 Device Mapping 任务中，相较既有表示，AMD dataset 和 NVIDIA dataset 上的错误率分别降低 7.4% 和 10%，并称达到新的最优结果；摘要未明确这些降幅是相对百分比还是百分点，也未提供具体基线、划分及统计信息，因此不能进一步换算或跨协议比较。作者还报告在 Parallelism Discovery、Numa and Prefetchers Configuration prediction 等性能优化任务上取得新的最优结果，但摘要未给出具体指标。 复核重点是数值感知嵌入与新增图结构各自的贡献，以及上述任务的评估协议、对照和统计信息；这些内容尚未验证。当前材料未建立该程序表示机制与 EEG 瓶颈之间的具体对应关系，不据此提出 BCI 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。