ProGraML：用于数据流分析与编译器优化的图式程序表示

基于摘要分析。本文研究机器学习能否掌握编译器优化所依赖的基础程序数据流分析，并提出 ProGraML（Program Graphs for Machine Learning），一种语言无关、可移植的程序语义图表示。其主要研究对象是程序分析与编译器优化，而非 EEG 或 BCI。 作者将数据流分析定义为监督学习任务，并引入一个包含程序及多种分析对应标签的大规模开放数据集，以此评估机器学习方法的基础程序推理能力。这一设计把“能否支持优化决策”的问题进一步落实为对基础分析任务的检验，而不只考察下游优化表现。 作者报告，所评估的机器学习方法在这些基础程序推理任务上仍存在困难；作者同时报告，ProGraML 克服了既有表示的一些局限，并改善了下游优化任务表现。摘要未说明具体图构造、节点与边的定义、学习模型、损失函数、数据集规模、数据划分、对照基线或性能指标，因此上述改进的幅度、适用范围及复现条件尚未验证，实验协议、消融及统计信息尚未验证。 本文依赖程序语义及分析标签，与连续、低信噪比的 EEG 信号在数据结构和监督来源上存在明显差异。现有材料不足以建立可直接复用的 EEG/BCI 方法路径，因此不据此提出迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。