論文の概要: Deep Learning & Software Engineering: State of Research and Future
Directions
- arxiv url: http://arxiv.org/abs/2009.08525v1
- Date: Thu, 17 Sep 2020 20:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 08:52:46.399580
- Title: Deep Learning & Software Engineering: State of Research and Future
Directions
- Title（参考訳）: ディープラーニングとソフトウェアエンジニアリング: 研究の現状と今後の方向性
- Authors: Prem Devanbu, Matthew Dwyer, Sebastian Elbaum, Michael Lowry, Kevin
Moran, Denys Poshyvanyk, Baishakhi Ray, Rishabh Singh, and Xiangyu Zhang
- Abstract要約: NSFが後援するコミュニティワークショップは、カリフォルニア州サンディエゴで開催された第34回IEEE/ACM International Conference on Automated Software Engineering (ASE'19)と共同で開催された。
このワークショップの目的は、横断的な研究の優先度の高い領域を概説することであった。
本報告では,ワークショップで論じられた最優先分野を概説する研究領域について概説する。
- 参考スコア（独自算出の注目度）: 37.45171549466233
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given the current transformative potential of research that sits at the
intersection of Deep Learning (DL) and Software Engineering (SE), an
NSF-sponsored community workshop was conducted in co-location with the 34th
IEEE/ACM International Conference on Automated Software Engineering (ASE'19) in
San Diego, California. The goal of this workshop was to outline high priority
areas for cross-cutting research. While a multitude of exciting directions for
future work were identified, this report provides a general summary of the
research areas representing the areas of highest priority which were discussed
at the workshop. The intent of this report is to serve as a potential roadmap
to guide future work that sits at the intersection of SE & DL.
- Abstract（参考訳）: 現在、Deep Learning (DL)とSoftware Engineering (SE)の交差点にある研究の変革の可能性を考えると、NSFが主催するコミュニティワークショップは、カリフォルニア州サンディエゴで開催された第34回IEEE/ACM International Conference on Automated Software Engineering (ASE'19)と共同で実施された。
本ワークショップの目的は,横断的研究の優先度の高い分野を概説することであった。
今後の作業に向けた多くのエキサイティングな方向性が特定されている一方で,本報告では,ワークショップで議論された優先度の高い分野を代表する研究領域を概説する。
このレポートの意図は、SE & DLの交差点にある将来の作業のガイドとなる可能性のあるロードマップとして機能することである。
関連論文リスト
- Networking Systems for Video Anomaly Detection: A Tutorial and Survey [55.28514053969056]
ビデオ異常検出(VAD)は人工知能(AI)コミュニティにおける基本的な研究課題である。
本稿では,各種深層学習駆動型VAD経路の基本前提,学習フレームワーク,適用シナリオについて述べる。
我々は、産業用IoTおよびスマート都市における最新のNSVAD研究と、デプロイ可能なNSVADのためのエンドクラウド共同アーキテクチャを紹介します。
論文 参考訳（メタデータ） (2024-05-16T02:00:44Z) - End-to-end Task-oriented Dialogue: A Survey of Tasks, Methods, and
Future Directions [65.64674377591852]
エンドツーエンドのタスク指向対話(EToD)は、モジュールトレーニングなしでエンドツーエンドで応答を直接生成できる。
ディープニューラルネットワークの進歩、特に大きな事前訓練モデルの使用の成功は、EToD研究に大きな進歩をもたらした。
論文 参考訳（メタデータ） (2023-11-15T14:50:16Z) - Summary of the 3rd International Workshop on Requirements Engineering
and Testing [10.966288807626349]
RETワークショップシリーズは、Requireements Engineering(RE)とTestingの2つの異なる分野の研究者と実践者のためのミーティングポイントを提供する。
目標は、アイデア、課題、プラクティス、経験、成果の交換を通じて、これらの2つの領域の接続性と整合性を改善することです。
論文 参考訳（メタデータ） (2023-08-18T11:32:23Z) - Survey of Deep Learning for Autonomous Surface Vehicles in the Marine
Environment [15.41166179659646]
今後数年以内に、幅広い用途で利用できる高度な自動運転技術が提供される予定だ。
本稿では,ASV関連分野におけるディープラーニング(DL)手法の実装に関する既存研究について検討する。
論文 参考訳（メタデータ） (2022-10-16T08:46:17Z) - Report from the NSF Future Directions Workshop on Automatic Evaluation
of Dialog: Research Directions and Challenges [87.2207978732317]
このワークショップは、その限界と共に芸術の現状を探求し、この重要かつ非常に急速に変化する研究領域における将来の研究に向けた有望な方向性を提案した。
論文 参考訳（メタデータ） (2022-03-18T15:21:11Z) - A Survey of Knowledge Tracing: Models, Variants, and Applications [70.69281873057619]
知識追跡は、学生の行動データ分析の基本的なタスクの1つである。
我々は、異なる技術経路を持つ3種類の基本KTモデルを示す。
この急速に成長する分野における今後の研究の方向性について論じる。
論文 参考訳（メタデータ） (2021-05-06T13:05:55Z) - 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 Systematic Literature Review on the Use of Deep Learning in Software
Engineering Research [22.21817722054742]
ソフトウェア開発タスクを自動化するために、ソフトウェア工学(SE)研究者が採用するテクニックのセットが、ディープラーニング(DL)の概念に根ざしている。
本稿では,SE & DLの交差点における研究の体系的な文献レビューを行う。
我々は、機械学習技術の特定の問題領域への適用を規定する一連の原則である学習の構成要素を中心に分析を行う。
論文 参考訳（メタデータ） (2020-09-14T15:28:28Z)
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。