CodeGrid：代码的网格表示

基于摘要分析。CodeGrid 研究软件工程中的代码表示问题，提出将代码 token 嵌入保留原始布局的网格，为分类与生成模型提供空间结构信号。其主要研究对象是源代码，而非 EEG 或 BCI。 作者指出，通用 NLP 表示未充分利用代码结构，抽象语法树（AST）增强表示也未覆盖控制流、数据流等信息。CodeGrid 的直接机制是保留代码布局，而非摘要已证实的显式控制流或数据流编码；两者不能等同。作者以既有图像式代码表示的表现为动机，提出并检验“代码具有可利用的空间属性”这一假设。 在应用层面，作者使用 CNN 处理网格表示，考察代码分类、代码克隆检测与漏洞检测，并使用 PixelCNN 进行代码补全。作者报告通过改变表示对网格布局的保留程度，量化空间信息对模型表现的影响，同时考察 CodeGrid 对既有模型的增强作用。 结果方面，作者报告在代码克隆检测任务中，CodeGrid 使 ASTNN 的 F1 提高 3.3%；摘要未明确该数值是相对提升还是百分点变化，也未给出相应数据集、划分与基线分数，因此不能据此进行跨协议比较。网格构建规则、token 编码、布局扰动方式、训练配置、实验协议、消融及统计信息尚未验证。 该方法依赖源代码的 token 与排版结构，其空间语义不能直接对应 EEG 的通道拓扑或时间结构。当前材料未建立具体的 EEG/BCI 迁移机制，相关工作亦尚未检索确认，因此不将其软件工程任务结果外推为神经信号建模效果。