論文の概要: Graph Neural Network to Dilute Outliers for Refactoring Monolith Application

• arxiv url: http://arxiv.org/abs/2102.03827v1
• Date: Sun, 7 Feb 2021 16:00:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 11:23:50.841043
• Title: Graph Neural Network to Dilute Outliers for Refactoring Monolith Application
• Title（参考訳）: モノリスアプリケーションをリファクタリングするためのグラフニューラルネットワーク
• Authors: Utkarsh Desai, Sambaran Bandyopadhyay, Srikanth Tamilselvam
• Abstract要約: ソフトウェアをよりよく理解するために,コードコンテキストにおけるグラフネットワークの最近の進歩に適応する新しい手法を提案する。 我々のソリューションは、ソフトウェア工学と既存のグラフ表現に基づく技術の両方の成果と比較して、最先端のパフォーマンスを向上させることができる。
• 参考スコア（独自算出の注目度）: 12.43382998243009
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microservices are becoming the defacto design choice for software architecture. It involves partitioning the software components into finer modules such that the development can happen independently. It also provides natural benefits when deployed on the cloud since resources can be allocated dynamically to necessary components based on demand. Therefore, enterprises as part of their journey to cloud, are increasingly looking to refactor their monolith application into one or more candidate microservices; wherein each service contains a group of software entities (e.g., classes) that are responsible for a common functionality. Graphs are a natural choice to represent a software system. Each software entity can be represented as nodes and its dependencies with other entities as links. Therefore, this problem of refactoring can be viewed as a graph based clustering task. In this work, we propose a novel method to adapt the recent advancements in graph neural networks in the context of code to better understand the software and apply them in the clustering task. In that process, we also identify the outliers in the graph which can be directly mapped to top refactor candidates in the software. Our solution is able to improve state-of-the-art performance compared to works from both software engineering and existing graph representation based techniques.
• Abstract（参考訳）: マイクロサービスはソフトウェアアーキテクチャのデファクトな設計選択になりつつある。 開発が独立して行えるように、ソフトウェアコンポーネントをより細かいモジュールに分割すること。 また、要求に応じてリソースを動的に必要なコンポーネントに割り当てることができるので、クラウドにデプロイする際の自然なメリットも提供する。 したがって、企業はクラウドへの移行の一環として、モノリスアプリケーションを1つまたは複数の候補マイクロサービスにリファクタリングしようとしています。各サービスには共通の機能を担うソフトウェアエンティティ(クラスなど)のグループが含まれています。 グラフはソフトウェアシステムを表現するための自然な選択です。 各ソフトウェアエンティティはノードとして表現でき、他のエンティティとの依存関係はリンクとして表現できる。 したがって、このリファクタリングの問題はグラフベースのクラスタリングタスクと見なすことができる。 本研究では,ソフトウェアをよりよく理解し,クラスタリングタスクに適用するために,コードコンテキストにおけるグラフニューラルネットワークの最近の進歩を適応するための新しい手法を提案する。 このプロセスでは、ソフトウェア内の最上位のリファクタリング候補に直接マッピング可能なグラフの外れ値も特定します。 我々のソリューションは、ソフトウェア工学と既存のグラフ表現に基づく技術の両方の成果と比較して、最先端のパフォーマンスを向上させることができる。

関連論文リスト

• RepoGraph: Enhancing AI Software Engineering with Repository-level Code Graph [63.87660059104077]
  RepoGraphは、現代のAIソフトウェアエンジニアリングソリューションのためのリポジトリレベルの構造を管理するプラグインモジュールである。 RepoGraphはすべてのシステムのパフォーマンスを大幅に向上させ、オープンソースフレームワークの間で新たな最先端技術を生み出している。
  論文  参考訳（メタデータ） (2024-10-03T05:45:26Z)
• GraphStorm: all-in-one graph machine learning framework for industry applications [75.23076561638348]
  GraphStormはスケーラブルなグラフ構築、グラフモデルのトレーニング、推論のためのエンドツーエンドソリューションである。 GraphStormのすべてのコンポーネントは数十億のノードを持つグラフ上で動作でき、コードを変更することなく、モデルのトレーニングと推論を異なるハードウェアにスケールすることができる。 GraphStormは、2023年5月にリリースされて以来、数十億以上の業界アプリケーションで使われ、デプロイされてきた。
  論文  参考訳（メタデータ） (2024-06-10T04:56:16Z)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• CONCORD: Towards a DSL for Configurable Graph Code Representation [3.756550107432323]
  カスタマイズ可能なグラフ表現を構築するためのドメイン固有言語であるCONCORDを紹介する。 実例として,コードの臭い検出に有効であることを示す。 ConCORDは、研究者がカスタマイズ可能なグラフベースのコード表現を作成し、実験するのに役立つ。
  論文  参考訳（メタデータ） (2024-01-31T16:16:48Z)
• 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)
• A Unified Active Learning Framework for Annotating Graph Data with Application to Software Source Code Performance Prediction [4.572330678291241]
  ソフトウェアの性能予測を専門とする一貫したアクティブラーニングフレームワークを開発した。 能動的・受動的学習に異なるレベルの情報を用いることが与える影響について検討する。 我々のアプローチは、異なるソフトウェアパフォーマンス予測のためのAIモデルへの投資を改善することを目的としています。
  論文  参考訳（メタデータ） (2023-04-06T14:00:48Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Monolith to Microservices: Representing Application Software through Heterogeneous GNN [11.381828510219897]
  マイクロサービスアーキテクチャは、複数の小さな疎結合な機能サービスを通じてアプリケーションを構築することを提唱するにつれて、ますます使われています。 このアプローチは、クラウドベースのアプリケーションにとって、プログラミングアーキテクチャを自然な選択肢としています。 しかし、既に記述されているモノリスコードの機能モジュールの自動分離の課題は、移行タスクを遅くする。 我々は、この従来のアプリケーション問題を異種グラフベースのクラスタリングタスクに推論する。 私たちのソリューションは、異種グラフニューラルネットワークを活用して、このような多様なソフトウェアエンティティの表現を学習する最初の方法です。
  論文  参考訳（メタデータ） (2021-12-01T15:27:45Z)
• Multi-view Self-Constructing Graph Convolutional Networks with Adaptive Class Weighting Loss for Semantic Segmentation [23.623276007011373]
  セマンティックセグメンテーションのためのMulti-view Self-Constructing Graph Convolutional Networks (MSCG-Net) と呼ばれる新しいアーキテクチャを提案する。 航空機画像の回転不変性を明確に活用するために,複数のビューを利用する。 提案手法の有効性と柔軟性を農業ビジョン課題に適用し,競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-21T22:18:16Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。