[論文レビュー] Efficient Selection of Type Annotations for Performance Improvement in Gradual Typing

Senxi Li, Feng Dai+2 more|arXiv (Cornell University)|Mar 5, 2026

Software Engineering Research被引用数 0

ひとこと要約

軽量で償却型の選択アプローチを提案し、段階的型付けで推論された型注釈のサブセットを選択して、短いコンパイル時間で性能を向上させる。Reticulated Pythonでの利得を実証。

ABSTRACT

Gradual typing has gained popularity as a design choice for integrating static and dynamic typing within a single language. Several practical languages have adopted gradual typing to offer programmers the flexibility to annotate their programs as needed. Meanwhile there is a key challenge of unexpected performance degradation in partially typed programs. The execution speed may significantly decrease when simply adding more type annotations. Prior studies have investigated strategies of selectively adding type annotations for better performance. However, they are restricted in substantial compilation time, which impedes the practical usage. This paper presents a new technique to select a subset of type annotations derived by type inference for improving the execution performance of gradually typed programs. The advantage of the proposal is shorter compilation time by employing a lightweight, amortized approach. It selects type annotations along the data flows, which is expected to avoid expensive runtime casts caused by a value repeatedly crossing the boundaries between untyped and typed code. We demonstrate the applicability of our proposal, and conduct experiments to validate its effectiveness of improving the execution time on Reticulated Python. Our implementation supports a Python subset to select type annotations derived by an implemented, external type inference engine. Experiment results show that our proposal outperforms a naive strategy of using all type annotations derived by type inference among the benchmark programs. In comparison with an existing approach, the proposal achieves comparable execution speed and shows advantage of maintaining a more stable compilation time of deriving and selecting type annotations. Our results empirically indicate that the proposed technique is practical within Reticulated Python for mitigating the performance bottleneck of gradually typed programs.

研究の動機と目的

• 徐々に型付けされた言語で、より多くの型注釈が性能を低下させ得るというパフォーマンスのボトルネックを動機づける。
• 実行時間を改善するために、推論された型注釈のサブセットを選択する軽量な手法を開発する。
• 実用的なコンパイル時間を維持しつつ、性能上の利益を提供することを保証する。
• 外部型推論エンジンを用いたPythonサブセットでの適用性を示す。

提案手法

• データフローに沿って型注釈を選択し、未型付け/型付け境界を横断する高コストなランタイムキャストを回避する。
• フルなコンパイル時戦略ではなく、償却型で軽量な選択プロセスを用いる。
• 型推論を活用して候補注釈を導出し、実行性能を最適化するサブセットを選択する。
• 外部推論エンジンを持つReticulated Pythonフレームワークで本手法を実装する。

実験結果

リサーチクエスチョン

• RQ1 外部の型推論エンジンによって推論された型注釈のサブセットは、段階的に型付けされたプログラムの実行性能を向上させるか。
• RQ2 提案する償却型選択アプローチは、全注釈戦略と比べて短く安定したコンパイル時間を維持できるか。
• RQ3 すべて推論済み注釈を用いるナイーブな戦略と比較して、ランタイム速度とコンパイル時間の点でどのように劣らないか。
• RQ4 この手法は現実世界の段階的型付け言語に実用的に適用可能か。Reticulated Pythonで実証か。

主な発見

• 提案された選択手法は、すべての推論型注釈をナイーブに使用するよりも実行時間が改善される。
• 既存のアプローチと比較して、実行速度は同等を達成しつつ、コンパイル時間をより安定させる。
• Reticulated Pythonでの実験は、段階的に型付けされたプログラムの性能ボトルネック緩和の実用性を示す。