論文の概要: Ownership at Large -- Open Problems and Challenges in Ownership Management

• arxiv url: http://arxiv.org/abs/2004.07352v1
• Date: Wed, 15 Apr 2020 21:26:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 04:23:06.120818
• Title: Ownership at Large -- Open Problems and Challenges in Ownership Management
• Title（参考訳）: 大規模なオーナシップ -- オープン問題とオーナシップ管理の課題
• Authors: John Ahlgren, Maria Eugenia Berezin, Kinga Bojarczuk, Elena Dulskyte, Inna Dvortsova, Johann George, Natalija Gucevska, Mark Harman, Shan He, Ralf L\"ammel, Erik Meijer, Silvia Sapora, and Justin Spahr-Summers
• Abstract要約: 本稿では,超大規模データマイニングと機械学習を組み合わせたFacebook Ownestyシステムを提案する。 ownestyは何百万ものソフトウェア資産(例えばソースコードファイル)を処理し、ワークフローや組織的な側面を考慮に入れます。
• 参考スコア（独自算出の注目度）: 11.735135142047318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software-intensive organizations rely on large numbers of software assets of different types, e.g., source-code files, tables in the data warehouse, and software configurations. Who is the most suitable owner of a given asset changes over time, e.g., due to reorganization and individual function changes. New forms of automation can help suggest more suitable owners for any given asset at a given point in time. By such efforts on ownership health, accountability of ownership is increased. The problem of finding the most suitable owners for an asset is essentially a program comprehension problem: how do we automatically determine who would be best placed to understand, maintain, evolve (and thereby assume ownership of) a given asset. This paper introduces the Facebook Ownesty system, which uses a combination of ultra large scale data mining and machine learning and has been deployed at Facebook as part of the company's ownership management approach. Ownesty processes many millions of software assets (e.g., source-code files) and it takes into account workflow and organizational aspects. The paper sets out open problems and challenges on ownership for the research community with advances expected from the fields of software engineering, programming languages, and machine learning.
• Abstract（参考訳）: ソフトウェア集約型組織は、ソースコードファイル、データウェアハウスのテーブル、ソフトウェア構成など、さまざまなタイプのソフトウェア資産を多数依存している。 特定の資産変更の最も適切な所有者は誰か。例えば、再編成や個々の機能変更によって。 新しい形の自動化は、特定の時点における任意の資産に対して、より適切な所有者を示唆するのに役立つ。 このようなオーナーシップの健全性に対する努力により、オーナーシップの説明責任が増大する。 資産の最も適切な所有者を見つけるという問題は、本質的には、プログラムの理解の問題である。 本稿では、超大規模データマイニングと機械学習を組み合わせたFacebook Ownestyシステムを紹介し、同社のオーナシップ管理アプローチの一環としてFacebookにデプロイされている。 ownestyは数百万のソフトウェア資産(ソースコードファイルなど)を処理し、ワークフローや組織的な側面を考慮に入れます。 この論文は、ソフトウェア工学、プログラミング言語、機械学習の分野から期待される進歩によって、研究コミュニティの所有権に関するオープンな問題と課題を提起する。

関連論文リスト

• Code Ownership: The Principles, Differences, and Their Associations with Software Quality [6.123324869194196]
  本稿では,開発者の集合,コードオーナシップの近似値,専門性レベルの観点から,一般的に使用されているオーナシップの近似の相違について検討する。 コミットベースのオーナシップとラインベースのオーナシップの近似は、さまざまな開発者のセット、コードのオーナシップの値、さまざまな主要な開発者のセットを生成します。
  論文  参考訳（メタデータ） (2024-08-23T03:01:59Z)
• How to Understand Whole Software Repository? [64.19431011897515]
  リポジトリ全体に対する優れた理解は、自動ソフトウェアエンジニアリング(ASE)への重要な道になるでしょう。 本研究では,リポジトリ全体を包括的に理解するためのエージェントによるRepoUnderstanderという新しい手法を開発した。 リポジトリレベルの知識をより活用するために、エージェントをまとめ、分析し、計画する。
  論文  参考訳（メタデータ） (2024-06-03T15:20:06Z)
• Mining Issue Trackers: Concepts and Techniques [6.99674326582747]
  内外の利害関係者は「問題」を報告し、管理し、議論する 課題追跡ツールは、組織がユーザと対話し、ソフトウェア開発ライフサイクルのさまざまな側面を管理するために使用するソフトウェアツールである。 この章では、問題データをアルゴリズムで分析する4つの主要なユースケースについて論じる。
  論文  参考訳（メタデータ） (2024-03-08T23:02:41Z)
• AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
  AutoActはQAのための自動エージェント学習フレームワークである。 大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
  論文  参考訳（メタデータ） (2024-01-10T16:57:24Z)
• The Software Genome Project: Venture to the Genomic Pathways of Open Source Software and Its Applications [8.55939767653389]
  textbfSoftware Genome Projectは、オープンソースのソフトウェアのセキュアなモニタリングと利用を目的としている。 Software Genome Projectは、開発者とマネージャがソフトウェアの複雑さと多様性をより深く理解するために、完全なソフトウェアゲノムマップを構築する。
  論文  参考訳（メタデータ） (2023-11-16T13:18:24Z)
• SoTaNa: The Open-Source Software Development Assistant [81.86136560157266]
  SoTaNaはオープンソースのソフトウェア開発アシスタントだ。 ソフトウェア工学の分野のための高品質な命令ベースのデータを生成する。 オープンソースの基盤モデルであるLLaMAを強化するためにパラメータ効率のよい微調整アプローチを採用している。
  論文  参考訳（メタデータ） (2023-08-25T14:56:21Z)
• Kubric: A scalable dataset generator [73.78485189435729]
  KubricはPythonフレームワークで、PyBulletやBlenderとインターフェースして写真リアリスティックなシーンを生成する。 本研究では,3次元NeRFモデルの研究から光フロー推定まで,13種類の異なるデータセットを提示することで,Kubricの有効性を実証する。
  論文  参考訳（メタデータ） (2022-03-07T18:13:59Z)
• Big Data = Big Insights? Operationalising Brooks' Law in a Massive GitHub Data Set [1.1470070927586014]
  大規模リポジトリデータにおける開発者の生産性に関する最近の研究の相違を説明できる課題について検討する。 私たちは、私たちの知る限り、チームのサイズやコラボレーションパターンが個人的および集団的生産性に与える影響を調べるために、GitHubプロジェクトの最大の、キュレートされたコーパスを提供しています。
  論文  参考訳（メタデータ） (2022-01-12T17:25:30Z)
• AI Explainability 360: Impact and Design [120.95633114160688]
  2019年、私たちはAI Explainability 360(Arya et al. 2020)を開発しました。 本稿では,いくつかのケーススタディ,統計,コミュニティフィードバックを用いて,ツールキットが与える影響について検討する。 また,ツールキットのフレキシブルな設計,使用例,利用者が利用可能な教育資料や資料についても述べる。
  論文  参考訳（メタデータ） (2021-09-24T19:17:09Z)
• Organizational Artifacts of Code Development [10.863006516392831]
  我々は、異なる国に関連付けられたソフトウェアリポジトリの違いを測定することで、国の社会的影響を研究する。 本稿では,レポジトリのシーケンシャル埋め込みタスクとして,開発活動のシーケンスに基づく新しいモデリング手法を提案する。 我々は、よく知られた企業からのレポスに関するケーススタディを行い、国が企業自体よりも開発における違いをうまく表現できることを見出した。
  論文  参考訳（メタデータ） (2021-05-30T22:04:09Z)
• Differential Privacy of Hierarchical Census Data: An Optimization Approach [53.29035917495491]
  国勢調査局(Census Bureaus)は、個人に関する機密情報を明らかにすることなく、大人口に関する社会経済的データをまとめて公開することに興味を持っている。 最近の出来事では、これらの組織が直面しているプライバシー上の課題がいくつか特定されている。 本稿では,階層的な個人数を解放する新たな差分プライバシ機構を提案する。
  論文  参考訳（メタデータ） (2020-06-28T18:19:55Z)

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。