論文の概要: GitEvolve: Predicting the Evolution of GitHub Repositories
- arxiv url: http://arxiv.org/abs/2010.04366v1
- Date: Fri, 9 Oct 2020 04:32:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 05:06:54.739543
- Title: GitEvolve: Predicting the Evolution of GitHub Repositories
- Title（参考訳）: GitEvolve: GitHubリポジトリの進化を予測する
- Authors: Honglu Zhou, Hareesh Ravi, Carlos M. Muniz, Vahid Azizi, Linda Ness,
Gerard de Melo, Mubbasir Kapadia
- Abstract要約: GitHubリポジトリの進化を予測するシステムであるGitEvolveを提案する。
私たちは、人気を予測するために共通の関心をモデル化することで、ユーザをグループにマップします。
提案したマルチタスクアーキテクチャは汎用的であり、他のソーシャルネットワークで情報拡散をモデル化するために拡張することができる。
- 参考スコア（独自算出の注目度）: 31.814226661858694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software development is becoming increasingly open and collaborative with the
advent of platforms such as GitHub. Given its crucial role, there is a need to
better understand and model the dynamics of GitHub as a social platform.
Previous work has mostly considered the dynamics of traditional social
networking sites like Twitter and Facebook. We propose GitEvolve, a system to
predict the evolution of GitHub repositories and the different ways by which
users interact with them. To this end, we develop an end-to-end multi-task
sequential deep neural network that given some seed events, simultaneously
predicts which user-group is next going to interact with a given repository,
what the type of the interaction is, and when it happens. To facilitate
learning, we use graph based representation learning to encode relationship
between repositories. We map users to groups by modelling common interests to
better predict popularity and to generalize to unseen users during inference.
We introduce an artificial event type to better model varying levels of
activity of repositories in the dataset. The proposed multi-task architecture
is generic and can be extended to model information diffusion in other social
networks. In a series of experiments, we demonstrate the effectiveness of the
proposed model, using multiple metrics and baselines. Qualitative analysis of
the model's ability to predict popularity and forecast trends proves its
applicability.
- Abstract（参考訳）: ソフトウェア開発は、GitHubのようなプラットフォームの出現とともに、ますますオープンで協力的になりつつある。
その重要な役割を考えると、ソーシャルプラットフォームとしてのGitHubのダイナミクスをよりよく理解し、モデル化する必要がある。
以前の研究は、twitterやfacebookのような従来のソーシャルネットワークサイトのダイナミクスをほとんど考慮していた。
我々は、GitHubリポジトリの進化を予測するシステムGitEvolveと、ユーザがそれらと対話するさまざまな方法を提案する。
この目的のために、シードイベントを与えられたエンド・ツー・エンドのマルチタスクシーケンシャル・ディープ・ニューラル・ネットワークを開発し、次にどのユーザーグループが所定のリポジトリと対話するのか、その相互作用の種類、いつ発生するのかを同時に予測する。
学習を容易にするために,グラフベースの表現学習を用いてリポジトリ間の関係を符号化する。
一般的な関心をモデル化してユーザをグループにマップし、人気を予測し、推論中に目に見えないユーザに一般化する。
データセット内のリポジトリのさまざまなレベルのアクティビティをモデル化するために、人工イベントタイプを導入する。
提案したマルチタスクアーキテクチャは汎用的であり、他のソーシャルネットワークで情報拡散をモデル化するために拡張することができる。
実験では,複数の指標とベースラインを用いて,提案モデルの有効性を実証した。
モデルの人気予測能力と傾向予測能力の質的分析は、その適用性を示している。
関連論文リスト
- Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。
本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。
また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
論文 参考訳（メタデータ） (2024-08-08T11:34:31Z) - Premonition: Using Generative Models to Preempt Future Data Changes in
Continual Learning [63.850451635362425]
継続的な学習には、データ分散の継続的な変化に対応するためのモデルが必要である。
本稿では,大規模言語モデルと画像生成モデルの組み合わせが有用であることを示す。
トレーニング済みネットワークのバックボーンは、下流の連続学習問題に有用な表現を学習できることがわかった。
論文 参考訳（メタデータ） (2024-03-12T06:29:54Z) - DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary
Intelligence [77.78795329701367]
本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。
我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。
今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
論文 参考訳（メタデータ） (2023-12-08T16:51:10Z) - 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) - Modeling Random Networks with Heterogeneous Reciprocity [9.630755176298056]
成長するソーシャルネットワークにおける多様な相互行動のモデル化手法を開発する。
本稿では,人気ユーザに対するアトラクションを模倣した異種相互性を持つ優先アタッチメントモデルを提案する。
提案手法を,不均一な相互行動パターンを持つFacebookのウォールポストネットワークの解析に適用する。
論文 参考訳（メタデータ） (2023-08-19T21:21:25Z) - DIGMN: Dynamic Intent Guided Meta Network for Differentiated User
Engagement Forecasting in Online Professional Social Platforms [32.70471436337077]
ユーザエンゲージメントパターンの違いの大きな理由は、ユーザが異なる意図を持っていることだ。
本稿では動的ガイドメタネットワーク(DIGMN)を提案する。
我々の手法は最先端のベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2022-10-22T09:57:27Z) - OpenMixup: Open Mixup Toolbox and Benchmark for Visual Representation Learning [53.57075147367114]
視覚表現学習のための最初のミックスアップ拡張とベンチマークであるOpenMixupを紹介する。
私たちは、スクラッチから18の代表的なミックスアップベースラインをトレーニングし、11の画像データセットでそれらを厳格に評価します。
また、人気のあるビジョンバックボーン、最適化戦略、分析ツールキットのコレクションを含むモジュラーバックボーンをオープンソースにしています。
論文 参考訳（メタデータ） (2022-09-11T12:46:01Z) - Graph Representation Learning for Popularity Prediction Problem: A
Survey [4.795530213347874]
本稿では,人気予測問題に対するグラフ表現学習(GRL)手法を用いた既存研究の総合的なレビューを行う。
深層学習は、畳み込みニューラルネットワーク、グラフ畳み込みネットワーク、グラフ注意ネットワーク、グラフニューラルネットワーク、繰り返しニューラルネットワーク、強化学習の6つの小さなクラスに分類される。
論文 参考訳（メタデータ） (2022-03-15T04:11:46Z) - An Expectation-Maximization Perspective on Federated Learning [75.67515842938299]
フェデレーション学習は、データをデバイス上でプライベートにしながら、複数のクライアントにわたるモデルの分散トレーニングを記述する。
本稿では,サーバがクライアント固有のモデルパラメータに対して事前分布のパラメータを提供する階層的潜在変数モデルとして,サーバが設定したフェデレーション学習プロセスについて考察する。
我々は,単純なガウス先行とよく知られた期待最大化(EM)アルゴリズムのハードバージョンを用いて,そのようなモデルの学習は,フェデレーション学習環境における最も一般的なアルゴリズムであるFedAvgに対応することを示す。
論文 参考訳（メタデータ） (2021-11-19T12:58:59Z) - A Variational Graph Autoencoder for Manipulation Action Recognition and
Prediction [1.1816942730023883]
シンボルシーングラフから操作タスクの認識と予測を共同で学習するディープグラフオートエンコーダを提案する。
我々のネットワークは2つの分岐を持つ変分オートエンコーダ構造を持ち、1つは入力グラフタイプを識別し、もう1つは将来のグラフを予測する。
提案手法は,MANIACとMSRC-9の2つの異なるデータセット上で異なる最先端手法に対してベンチマークを行い,提案手法がより優れた性能を実現することを示す。
論文 参考訳（メタデータ） (2021-10-25T21:40:42Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。