論文の概要: Search-Based Software Engineering for Self-Adaptive Systems: Survey,
Disappointments, Suggestions and Opportunities
- arxiv url: http://arxiv.org/abs/2001.08236v2
- Date: Fri, 14 Aug 2020 21:58:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 18:48:25.328907
- Title: Search-Based Software Engineering for Self-Adaptive Systems: Survey,
Disappointments, Suggestions and Opportunities
- Title(参考訳): 自己適応システムのための探索型ソフトウェア工学:調査、失望、提案、機会
- Authors: Tao Chen, Miqing Li, Ke Li, and Kalyanmoy Deb
- Abstract要約: 自己適応システム(英: Self-Adaptive System、SAS)は、そのような複雑なシステムのカテゴリである。
本報告では,SASを対象としたSBSEに関する総合的な調査を初めて実施する。
- 参考スコア(独自算出の注目度): 13.835366933089883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Search-Based Software Engineering (SBSE) is a promising paradigm that
exploits the computational search to optimize different processes when
engineering complex software systems. Self-adaptive system (SAS) is one
category of such complex systems that permits to optimize different functional
and non-functional objectives/criteria under changing environments (e.g.,
requirements and workload), which involves problems that are subject to search.
In this regard, over years, there has been a considerable amount of work that
investigates SBSE for SASs. In this paper, we provide the first systematic and
comprehensive survey exclusively on SBSE for SASs, covering papers in 27 venues
from 7 repositories, which eventually leads to several key statistics from the
most notable 74 primary studies in this particular field of research. Our
results, surprisingly, have revealed five disappointments that are of utmost
importance and can result in serve consequences but have been overwhelmingly
ignored in existing studies. We provide theoretical and/or experimental
evidence to justify our arguments against the disappointments, present
suggestions, and highlight the promising research opportunities towards their
mitigation. We also elaborate on three other emergent, but currently
under-explored opportunities for future work on SBSE for SASs. By mitigating
the disappointments revealed in this work, together with the highlighted
opportunities, we hope to be able to excite a much more significant growth in
this particular research direction.
- Abstract(参考訳): sbse(search-based software engineering)は、複雑なソフトウェアシステムを設計する際に異なるプロセスを最適化するために計算探索を利用する有望なパラダイムである。
自己適応システム(self-adaptive system, sas)は、環境の変化(要求やワークロードなど)下で異なる機能的目標/非機能的目標を最適化することを可能にする、複雑なシステムの1つのカテゴリである。
この点に関して, SBSE を SAS として調査する作業は, 長年にわたって数多く行われている。
本稿では,sasのsbseを専門とする体系的かつ包括的調査を初めて実施し,7つのリポジトリから27の会場で論文を収集した。
結果、驚くべきことに、最も重要であり、結果をもたらす可能性のある5つの失望が、既存の研究で圧倒的に無視されていることが明らかになりました。
我々は、失望に対する議論を正当化し、提案し、彼らの緩和に向けた有望な研究機会を強調する理論的および/または実験的証拠を提供する。
また、SBSE for SASの今後の取り組みについて、現在未検討の機会を3つ挙げる。
この研究で明らかになった失望を軽減し、ハイライトされた機会と共に、我々は、この研究の方向性において、より大きな成長をエキサイティングにできることを望んでいる。
関連論文リスト
- Apples, Oranges, and Software Engineering: Study Selection Challenges
for Secondary Research on Latent Variables [8.612556181934291]
抽象概念を測ることができないことは、ソフトウェア工学の二次研究にとって直接的に課題となる。
標準化された測定機器はめったに利用できないが、たとえあるとしても、多くの研究者はそれを使用せず、また研究された概念の定義も提供していない。
したがって、セカンダリリサーチを行うSE研究者は、(a)どの一次研究が同じ構造を測るか、(b)同じ構造を全く異なる測定値と比較し、集約する方法を決定する必要がある。
論文 参考訳(メタデータ) (2024-02-13T17:32:17Z) - A Systematic Literature Review on Explainability for Machine/Deep
Learning-based Software Engineering Research [23.966640472958105]
本稿では,ソフトウェア工学の文脈におけるAIモデルの説明可能性の向上を目的とした,体系的な文献レビューを行う。
我々は,XAI技術がこれまで成功してきたSEタスク,(2)異なるXAI手法の分類と分析,(3)既存の評価手法を考察することを目的としている。
論文 参考訳(メタデータ) (2024-01-26T03:20:40Z) - Classification, Challenges, and Automated Approaches to Handle
Non-Functional Requirements in ML-Enabled Systems: A Systematic Literature
Review [11.92906679868436]
非機能要件は、機械学習の巨大なポテンシャルを脅かす。
本稿では,3つの重要な側面を対象とする体系的な文献レビューを提案する。
調査では、30の異なる非機能要件を特定し、6つの主要なクラスに分類できる。
さらなる研究が考慮すべき23以上のソフトウェアエンジニアリング課題のカタログを提供しています。
論文 参考訳(メタデータ) (2023-11-29T09:45:41Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳(メタデータ) (2023-06-06T10:18:36Z) - Fairness in Recommender Systems: Research Landscape and Future
Directions [119.67643184567623]
本稿は,近年の地域におけるフェアネスの概念と概念について概観する。
この分野での研究が現在どのように行われているのかを概観する。
全体として、最近の研究成果の分析は、ある研究のギャップを示している。
論文 参考訳(メタデータ) (2022-05-23T08:34:25Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳(メタデータ) (2021-07-28T10:28:05Z) - Scaling up Search Engine Audits: Practical Insights for Algorithm
Auditing [68.8204255655161]
異なる地域に数百の仮想エージェントを配置した8つの検索エンジンの実験を行った。
複数のデータ収集にまたがる研究インフラの性能を実証する。
仮想エージェントは,アルゴリズムの性能を長時間にわたって監視するための,有望な場所である,と結論付けている。
論文 参考訳(メタデータ) (2021-06-10T15:49:58Z) - Wizard of Search Engine: Access to Information Through Conversations
with Search Engines [58.53420685514819]
我々は3つの側面からCISの研究を促進するために努力している。
目的検出(ID)、キーフレーズ抽出(KE)、行動予測(AP)、クエリ選択(QS)、通過選択(PS)、応答生成(RG)の6つのサブタスクでCIS用のパイプラインを定式化する。
検索エンジンのウィザード(WISE)と呼ばれるベンチマークデータセットをリリースし、CISのすべての側面について包括的かつ詳細な調査を可能にします。
論文 参考訳(メタデータ) (2021-05-18T06:35:36Z) - Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。
AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
論文 参考訳(メタデータ) (2021-01-15T10:43:10Z) - A Software Engineering Perspective on Engineering Machine Learning
Systems: State of the Art and Challenges [0.0]
機械学習(ML)の進歩は、アルゴリズムが人間によってハードコードされる従来のソフトウェア開発の視点から、データから学習することで実現されたMLシステムへとシフトする。
ソフトウェアシステムの開発方法を再考し、これらの新しいタイプのシステムに必要な特質を考慮する必要があります。
論文 参考訳(メタデータ) (2020-12-14T20:06:31Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。