L'inférence statique rencontre l'apprentissage profond

L'inférence de type pour des langages de programmation dynamiques tels que Python est une tâche importante mais difficile. Les techniques d'inférence de type statique peuvent exactement inférer des variables avec suffisamment de contraintes statiques mais ne peuvent pas gérer les variables avec des caractéristiques dynamiques. Les approches basées sur l'apprentissage profond (DL) sont agnostiques aux caractéristiques, mais elles ne peuvent pas garantir l'exactitude des types prédits. Leur performance dépend fortement de la qualité des données d'entraînement (c'est-à-dire que les modèles DL ont de mauvaises performances sur certains types communs qui apparaissent rarement dans le jeu de données d'entraînement). Il est intéressant de noter que les approches statiques et basées sur le DL offrent des avantages complémentaires. Malheureusement, à notre connaissance, l'inférence de type précise basée à la fois sur l'inférence statique et sur les prédictions neurales n'a pas été exploitée et reste un défi ouvert. En particulier, il est difficile d'intégrer des modèles DL dans le cadre des approches statiques basées sur des règles.