論文の概要: Does Link Prediction Help Detect Feature Interactions in Software Product Lines (SPLs)?

• arxiv url: http://arxiv.org/abs/2009.07392v1
• Date: Tue, 15 Sep 2020 23:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 06:57:19.396665
• Title: Does Link Prediction Help Detect Feature Interactions in Software Product Lines (SPLs)?
• Title（参考訳）: リンク予測はソフトウェア製品ライン(SPL)の機能相互作用の検出に役立つか?
• Authors: Seyedehzahra Khoshmanesh and Robyn Lutz
• Abstract要約: 本稿では,ソフトウェア製品ラインにおける不要な特徴相互作用の検出をリンク予測問題として効果的に表現する方法を示す。 Link Predictionは、グラフノード内の機械学習アルゴリズムと類似度スコアを使用して、新たなエッジを識別する。 筆者らは,本論文におけるソフトウェア製品ラインベンチマークへのアプローチを評価し,グラフに基づく類似性データから6つの機械学習モデルを構築した。
• 参考スコア（独自算出の注目度）: 0.456877715768796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An ongoing challenge for the requirements engineering of software product lines is to predict whether a new combination of features (units of functionality) will create an unwanted or even hazardous feature interaction. We thus seek to improve and automate the prediction of unwanted feature interactions early in development. In this paper, we show how the detection of unwanted feature interactions in a software product line can be effectively represented as a link prediction problem. Link prediction uses machine learning algorithms and similarity scores among a graph's nodes to identify likely new edges. We here model the software product line features as nodes and the unwanted interactions among the features as edges. We investigate six link-based similarity metrics, some using local and some using global knowledge of the graph, for use in this context. We evaluate our approach on a software product line benchmark in the literature, building six machine-learning models from the graph-based similarity data. Results show that the best ML algorithms achieved an accuracy of 0.75 to 1 for classifying feature interactions as unwanted or wanted in this small study and that global similarity metrics performed better than local similarity metrics. The work shows how link-prediction models can help find missing edges, which represent unwanted feature interactions that are undocumented or unrecognized, earlier in development.
• Abstract（参考訳）: ソフトウェア製品ラインの要件エンジニアリングにおける継続的な課題は、新しい機能(機能ユニット)の新たな組み合わせが望ましくない、あるいは危険な機能インタラクションを生み出すかどうかを予測することである。 そこで我々は、開発の初期段階において望ましくない機能相互作用の予測を改善し、自動化することを模索する。 本稿では,ソフトウェア製品ラインにおける不要な機能インタラクションの検出が,リンク予測問題として効果的に表現できることを示す。 リンク予測は、グラフのノード間の機械学習アルゴリズムと類似度スコアを使用して、おそらく新しいエッジを特定する。 ここでは、ソフトウェア製品ラインの特徴をノードとして、不要な相互作用をエッジとしてモデル化します。 この文脈で使用する6つのリンクベースの類似度メトリクスについて検討し,その一部はローカル,一部はグラフのグローバル知識を用いている。 ソフトウェア製品ラインベンチマークのアプローチを文献で評価し,グラフに基づく類似度データから6つの機械学習モデルを構築した。 その結果、この小さな研究では、機能間相互作用を望ましくない、あるいは欲しがるものとして分類するために、最高のMLアルゴリズムが 0.75 から 1 の精度を達成し、グローバルな類似度指標が局所的な類似度指標よりも優れた結果を示した。 この研究は、開発中の早い段階で、文書化されていない、あるいは認識されていない、望ましくない機能インタラクションを表現する、リンク予測モデルが欠落したエッジを見つけるのにどのように役立つかを示している。

関連論文リスト

• Synergistic Signals: Exploiting Co-Engagement and Semantic Links via Graph Neural Networks [4.261438296177923]
  この問題をNetflixのコンテキストレコメンデータシステムで研究する。 本稿では,SemanticGNNと呼ばれるグラフベースの新しいアプローチを提案する。 1)グラフ内の関係型の不均衡分布を処理するための新しい関係認識型注目グラフニューラルネットワーク(GNN)を開発し,(2)数百万のノードと数十億のエッジを持つWebスケールグラフデータを処理するために,分散グラフトレーニングパラダイムを開発した。
  論文  参考訳（メタデータ） (2023-12-07T06:29:26Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• GraphFM: Graph Factorization Machines for Feature Interaction Modeling [27.307086868266012]
  本稿では,グラフ構造の特徴を自然に表現し,グラフ因子化マシン(GraphFM)を提案する。 特に,有用な特徴間相互作用を選択し,特徴間のエッジとして定式化する機構を設計する。 提案モデルでは, FMの相互作用関数をグラフニューラルネットワーク(GNN)の特徴集約戦略に統合する。
  論文  参考訳（メタデータ） (2021-05-25T12:10:54Z)
• A Graph Neural Network Approach for Product Relationship Prediction [10.404936340171384]
  GraphSAGEと呼ばれる誘導グラフニューラルネットワークアプローチが、ノードとエッジの連続表現を効率的に学習する方法を示す。 中国自動車市場のケーススタディを用いて,提案手法が予測性能を2倍にすることを確認した。
  論文  参考訳（メタデータ） (2021-05-12T18:18:38Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Detecting Beneficial Feature Interactions for Recommender Systems [15.599904548629537]
  特徴的相互作用は、レコメンデータシステムにおいて高い精度を達成するために不可欠である。 本稿では,これらの特徴の相互作用を自動的に検出する新しい手法とともに,効果的にモデル化するためのグラフニューラルネットワークアプローチを提案する。 提案手法は,情報ボトルネック原理と統計的相互作用理論により有効であることが証明された。
  論文  参考訳（メタデータ） (2020-08-02T06:08:23Z)
• Attention improves concentration when learning node embeddings [1.2233362977312945]
  検索クエリテキストでラベル付けされたノードを考えると、製品を共有する関連クエリへのリンクを予測したい。 様々なディープニューラルネットワークを用いた実験では、注意機構を備えた単純なフィードフォワードネットワークが埋め込み学習に最適であることが示されている。 本稿では,クエリ生成モデルであるAttESTを提案する。このモデルでは,製品とクエリテキストの両方を,潜在空間に埋め込まれたベクトルとして見ることができる。
  論文  参考訳（メタデータ） (2020-06-11T21:21:12Z)

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。