Fugu-MT 論文翻訳(概要): Software Effort Estimation using Neuro Fuzzy Inference System: Past and Present

論文の概要: Software Effort Estimation using Neuro Fuzzy Inference System: Past and Present

arxiv url: http://arxiv.org/abs/1912.11855v1
Date: Thu, 26 Dec 2019 12:55:38 GMT
ステータス: 処理完了
システム内更新日: 2023-06-10 08:19:56.660815
Title: Software Effort Estimation using Neuro Fuzzy Inference System: Past and Present
Title（参考訳）: 神経ファジィ推論システムによるソフトウェア活動推定:過去と現在
Authors: Aditi Sharma, Ravi Ranjan
Abstract要約: 不正確なソフトウェア見積は、プロジェクトの遅延、予算過剰、あるいはプロジェクトのキャンセルにつながる可能性がある。本稿では,ニューロファジィ推論システム(NFIS)の新たな評価手法について検討する。
参考スコア（独自算出の注目度）: 1.7767466724342065
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most important reason for project failure is poor effort estimation. Software development effort estimation is needed for assigning appropriate team members for development, allocating resources for software development, binding etc. Inaccurate software estimation may lead to delay in project, over-budget or cancellation of the project. But the effort estimation models are not very efficient. In this paper, we are analyzing the new approach for estimation i.e. Neuro Fuzzy Inference System (NFIS). It is a mixture model that consolidates the components of artificial neural network with fuzzy logic for giving a better estimation.
Abstract（参考訳）: プロジェクト失敗の最も重要な理由は、努力の少ない見積もりです。ソフトウェア開発の労力見積は、開発に適切なチームメンバを割り当てたり、ソフトウェア開発にリソースを割り当てたり、結合したりするために必要です。不正確なソフトウェア見積は、プロジェクトの遅延、予算過剰、あるいはプロジェクトのキャンセルにつながる可能性がある。しかし、労力推定モデルはそれほど効率的ではない。本稿では,ニューロファジィ推論システム(NFIS)の新たな評価手法について検討する。人工知能のコンポーネントとファジィ論理を融合した混合モデルであり、より良い推定を行うことができる。

関連論文リスト

Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文参考訳（メタデータ） (2023-08-10T13:19:10Z)
Recent Advances in Software Effort Estimation using Machine Learning [0.0]
私たちは、アジャイルでない方法論とアジャイルな方法論の両方でソフトウェア開発の取り組みを見積もるのに使用される、最新の機械学習アプローチについてレビューします。私たちは、労力見積の可能性の観点から、アジャイル方法論を採用するメリットを分析します。我々は、データ駆動予測モデルによるソフトウェア作業の推定について、現在および将来のトレンドの分析で結論付けている。
論文参考訳（メタデータ） (2023-03-06T20:25:16Z)
A Deep Neural Network Based Approach to Building Budget-Constrained Models for Big Data Analysis [11.562071835482223]
我々は,Deep Neural Networks (DNN) を用いたビッグデータ解析において,重要でない特徴を排除するアプローチを導入する。弱いリンクと弱いニューロンを特定し、与えられた予算内にモデルコストをもたらすためにいくつかの入力特徴を取り除きます。
論文参考訳（メタデータ） (2023-02-23T00:00:32Z)
Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-11-16T06:28:20Z)
Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
本稿では,ニューラルモデルによる反事実文の評価について検討する。まず、神経因果モデル(NCM)が十分に表現可能であることを示す。第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-09-30T18:29:09Z)
Refining neural network predictions using background knowledge [68.35246878394702]
学習システムにおける論理的背景知識を用いて,ラベル付きトレーニングデータの不足を補うことができることを示す。そこで本研究では,修正された予測を元の予測に近い精度で検出する微分可能精細関数を提案する。このアルゴリズムは、複雑なSATの公式に対して、非常に少ない繰り返しで最適に洗練され、勾配降下ができない解がしばしば見つかる。
論文参考訳（メタデータ） (2022-06-10T10:17:59Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Software Effort Estimation using parameter tuned Models [1.9336815376402716]
見積もりの正確さは、プロジェクトの失敗の理由です。ソフトウェア業界の最大の落とし穴は、ソフトウェア開発の急速に変化する性質であった。ソフトウェア製品の開発コストを正確に予測する有用なモデルの開発が必要です。
論文参考訳（メタデータ） (2020-08-25T15:18:59Z)
Ensemble Regression Models for Software Development Effort Estimation: A Comparative Study [0.0]
本研究は,どの手法がより優れた作業予測精度を持つかを判定し,より優れた見積もりを提供するための組み合わせ手法を提案する。その結果,提案したアンサンブルモデルでは,ソフトウェアプロジェクトの取り組み推定に最適な応答が得られた。
論文参考訳（メタデータ） (2020-07-03T14:40:41Z)
Software Defect Prediction Based On Deep Learning Models: Performance Study [0.5735035463793008]
Stack Sparse Auto-Encoder(SSAE)とDeep Belief Network(DBN)の2つのディープラーニングモデルがデプロイされ、NASAデータセットを分類する。実験の結果,十分なサンプルが得られたデータセットの精度が向上した。
論文参考訳（メタデータ） (2020-04-02T06:02:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。