LambdaNet: Probabilistic Type Inference using Graph Neural Networks
https://openreview.net/group?id=ICLR.cc/2020/Conference
代码补全，即自动推断变量类型，在Python和TypeScript编程语言 成为一个流行的需求，
变量类型注解 可帮助代码补全 和 静态错误捕获，这些变量的类型注解，不能完全被编译器确定，而人工写又很费劲，
这篇文章提出一种 给TypeScript语言的 基于图神经网络的 概率的类型推断范式，我们的做法是首先用轻量级的源码分析 来生成一个 叫 类型依赖图 的 程序抽象，即把 变量 和 逻辑限制 像 名字和用法信息一样 连接起来，
有了这个 程序抽象，我们之后用 图神经网络 在 相关变量之间 传播信息，最终预测变量类型，
我们的神经网络结构 可以预测 原生类型 和 训练中没有遇到的 用户自定义 的类型，实验显示我们的做法提升了之前工作的14%，同时能预测超出范围的类型。
