論文の概要: Synergy between Machine/Deep Learning and Software Engineering: How Far Are We?

• arxiv url: http://arxiv.org/abs/2008.05515v1
• Date: Wed, 12 Aug 2020 18:19:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 06:06:22.783051
• Title: Synergy between Machine/Deep Learning and Software Engineering: How Far Are We?
• Title（参考訳）: マシンラーニングとソフトウェアエンジニアリングの相乗効果: どこまであるのか?
• Authors: Simin Wang, Liguo Huang, Jidong Ge, Tengfei Zhang, Haitao Feng, Ming Li, He Zhang and Vincent Ng
• Abstract要約: 2009年以降、ディープラーニング革命は機械学習(ML)/ディープラーニング(DL)とソフトウェア工学(SE)のシナジーを刺激してきた。 2009年から2018年にかけて,906件のML/DL関連SE論文について10年間の体系的文献レビューを行った。
• 参考スコア（独自算出の注目度）: 35.606916133846966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since 2009, the deep learning revolution, which was triggered by the introduction of ImageNet, has stimulated the synergy between Machine Learning (ML)/Deep Learning (DL) and Software Engineering (SE). Meanwhile, critical reviews have emerged that suggest that ML/DL should be used cautiously. To improve the quality (especially the applicability and generalizability) of ML/DL-related SE studies, and to stimulate and enhance future collaborations between SE/AI researchers and industry practitioners, we conducted a 10-year Systematic Literature Review (SLR) on 906 ML/DL-related SE papers published between 2009 and 2018. Our trend analysis demonstrated the mutual impacts that ML/DL and SE have had on each other. At the same time, however, we also observed a paucity of replicable and reproducible ML/DL-related SE studies and identified five factors that influence their replicability and reproducibility. To improve the applicability and generalizability of research results, we analyzed what ingredients in a study would facilitate an understanding of why a ML/DL technique was selected for a specific SE problem. In addition, we identified the unique trends of impacts of DL models on SE tasks, as well as five unique challenges that needed to be met in order to better leverage DL to improve the productivity of SE tasks. Finally, we outlined a road-map that we believe can facilitate the transfer of ML/DL-based SE research results into real-world industry practices.
• Abstract（参考訳）: 2009年以来、ImageNetの導入によって引き起こされたディープラーニング革命は、機械学習(ML)/ディープラーニング(DL)とソフトウェア工学(SE)のシナジーを刺激してきた。 一方、ML/DLを慎重に使用するべきだという批判的なレビューが生まれている。 ML/DL関連SE研究の質(特に適用性・一般化性)の向上と,SE/AI研究者と業界実践者の今後の連携の促進を目的として,2009年から2018年の間に発行された906 ML/DL関連SE論文に対して,SLR(Systematic Literature Review)を10年間実施した。 我々の傾向分析はML/DLとSEが相互に与える影響を実証した。 しかし同時に, 複製性および再現性を有するML/DL関連SE研究も観察し, 再現性と再現性に影響を与える5つの因子を同定した。 研究成果の適用性や一般化性を向上させるため,特定のSE問題に対してML/DL技術が選択された理由を理解する上で,研究のどの要素が有効かを分析した。 さらに、seタスクにおけるdlモデルの影響のユニークな傾向と、seタスクの生産性を改善するためにdlをよりよく活用するために達成しなければならない5つのユニークな課題を特定した。 最後に、ML/DLベースのSE研究結果の現実的な産業実践への移行を促進することができると信じているロードマップを概説した。

関連論文リスト

• Understanding the Role of LLMs in Multimodal Evaluation Benchmarks [77.59035801244278]
  本稿では,MLLM評価におけるLarge Language Model (LLM)バックボーンの役割について検討する。 本研究は4つのMLLMベンチマークと8つの最先端MLLMベンチマークを含む。 鍵となる発見は、いくつかのベンチマークでは視覚的な入力がなくても高いパフォーマンスを実現しており、最大50%のエラーレートは、LLMバックボーンにおける不十分な世界的知識に起因していることを示している。
  論文  参考訳（メタデータ） (2024-10-16T07:49:13Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• CoMMIT: Coordinated Instruction Tuning for Multimodal Large Language Models [68.64605538559312]
  本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。 そこで本研究では,学習バランスを定量的に評価する尺度を提案する。 さらに,MLLMの生成分布の更新を促進する補助的損失正規化手法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T23:18:55Z)
• Generative AI-in-the-loop: Integrating LLMs and GPTs into the Next Generation Networks [11.509880721677156]
  大規模言語モデル(LLM)が最近登場し、認知タスクにおけるほぼ人間レベルのパフォーマンスを実証している。 次世代AI-in-the-loop」の概念を提案する。 LLMとMLモデルを組み合わせることで、それぞれの能力を活用し、どちらのモデルよりも優れた結果が得られると考えています。
  論文  参考訳（メタデータ） (2024-06-06T17:25:07Z)
• Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
  大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。 しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。 我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
  論文  参考訳（メタデータ） (2024-03-12T13:31:14Z)
• Rethinking Machine Unlearning for Large Language Models [85.92660644100582]
  大規模言語モデル(LLM)の領域における機械学習の研究 このイニシアチブは、望ましくないデータの影響(機密情報や違法情報など)と関連するモデル機能を排除することを目的としている。
  論文  参考訳（メタデータ） (2024-02-13T20:51:58Z)
• Model-driven Engineering for Machine Learning Components: A Systematic Literature Review [8.810090413018798]
  MDE4ML の使用の背景にある主要な動機を明らかにするため,いくつかの分野の研究を分析した。 また,既存の文献のギャップについても論じ,今後の研究を推奨する。
  論文  参考訳（メタデータ） (2023-11-01T04:29:47Z)
• Are We Closing the Loop Yet? Gaps in the Generalizability of VIS4ML Research [26.829392755701843]
  我々は、最近のVIS4ML論文を調査し、ヒトインザループMLの実現における研究貢献とクレームの一般化性を評価する。 以上の結果から,現在のVIS4ML研究範囲と実用化への期待との間には,潜在的なギャップがあることが示唆された。
  論文  参考訳（メタデータ） (2023-08-10T21:44:48Z)
• Machine Learning for Software Engineering: A Tertiary Study [13.832268599253412]
  機械学習(ML)技術は、ソフトウェアエンジニアリング(SE)ライフサイクルアクティビティの有効性を高める。 2009～2022年に発行されたML for SEで, 体系的, 品質評価, 要約, 分類を行い, 初等研究6,117件について検討した。 MLに最も取り組まれているSE領域は、ソフトウェアの品質とテストである。
  論文  参考訳（メタデータ） (2022-11-17T09:19:53Z)
• Machine Learning vs. Deep Learning in 5G Networks -- A Comparison of Scientific Impact [0.0]
  機械学習(ML)とディープラーニング(DL)技術は5Gネットワークで使用されている。 本研究の目的は, この2つの手法の科学的影響の違いを, 統計文献学を用いて明らかにすることである。 Web of Science (WoS)データベースは、MLのための2245の論文とDL関連の研究のための1407の論文をホストしている。
  論文  参考訳（メタデータ） (2022-10-13T19:54:17Z)

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。