論文の概要: TypeShift: A User Interface for Visualizing the Typing Production
Process
- arxiv url: http://arxiv.org/abs/2103.04222v1
- Date: Sun, 7 Mar 2021 00:59:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-09 21:33:31.084144
- Title: TypeShift: A User Interface for Visualizing the Typing Production
Process
- Title（参考訳）: TypeShift: タイピング生産プロセスを視覚化するためのユーザインターフェース
- Authors: Adam Goodkind
- Abstract要約: TypeShiftは、生産をタイプするタイミングで言語パターンを視覚化するためのツールです。
単語レベルと文字レベルの両方で、タイピングパターンを表すために使用される頻繁に騒々しい情報信号を解明することを目的としています。
TypeShiftはもともとデータ入力用に設計されたものだが、音声データに容易に適応できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: TypeShift is a tool for visualizing linguistic patterns in the timing of
typing production. Language production is a complex process which draws on
linguistic, cognitive and motor skills. By visualizing holistic trends in the
typing process, TypeShift aims to elucidate the often noisy information signals
that are used to represent typing patterns, both at the word-level and
character-level. It accomplishes this by enabling a researcher to compare and
contrast specific linguistic phenomena, and compare an individual typing
session to multiple group averages. Finally, although TypeShift was originally
designed for typing data, it can easy be adapted to accommodate speech data, as
well. A web demo is available at https://angoodkind.shinyapps.io/TypeShift/.
The source code can be accessed at https://github.com/angoodkind/TypeShift.
- Abstract（参考訳）: TypeShiftは、生産をタイプするタイミングで言語パターンを視覚化するためのツールです。
言語生産は、言語、認知、運動能力に基づく複雑なプロセスです。
タイピングプロセスにおける全体的なトレンドを視覚化することで、typeshiftは、単語レベルと文字レベルの両方でタイピングパターンを表現するのに使われるノイズの多い情報信号を明らかにすることを目指している。
これは研究者が特定の言語現象を比較・比較し、個別のタイピングセッションを複数のグループ平均と比較することで達成される。
最後に、TypeShiftはもともとデータタイピング用に設計されていたが、音声データにも容易に適応できる。
Webデモはhttps://angoodkind.shinyapps.io/TypeShift/で公開されている。
ソースコードはhttps://github.com/angoodkind/typeshiftからアクセスできる。
関連論文リスト
- Learning Type Inference for Enhanced Dataflow Analysis [6.999203506253375]
我々は、型アノテーションを確実に予測するように訓練されたTransformerベースのモデルであるCodeTIDAL5を提案する。
私たちのモデルは、MaryTypes4TypeScriptベンチマークで現在の最先端を7.85%上回っています。
JoernTIは、オープンソースの静的解析ツールであるJoernへの私たちのアプローチの統合です。
論文 参考訳（メタデータ） (2023-10-01T13:52:28Z) - Generative Type Inference for Python [62.01560866916557]
本稿では静的解析から静的ドメイン知識を取り入れた数ショットの生成型推論手法であるTypeGenを紹介する。
TypeGenは、静的解析の型推論ステップを、型依存グラフ(TDG)に基づいたプロンプトに変換することで、COTプロンプトを生成する。
実験の結果、TypeGenは引数型予測では10.0%、Top-1 Exact Matchでは22.5%で最高のベースラインであるType4Pyを上回っている。
論文 参考訳（メタデータ） (2023-07-18T11:40:31Z) - TypeT5: Seq2seq Type Inference using Static Analysis [51.153089609654174]
本稿では,型予測をコード入力タスクとして扱う新しい型推論手法を提案する。
本手法では静的解析を用いて,型シグネチャがモデルによって予測されるコード要素毎に動的コンテキストを構築する。
また,モデルの入力コンテキストに事前の型予測を組み込んだ反復復号方式を提案する。
論文 参考訳（メタデータ） (2023-03-16T23:48:00Z) - Do Machine Learning Models Produce TypeScript Types That Type Check? [2.1365083849371747]
任意の型予測モデルで使用可能なTypeScriptの型マイグレーションツールであるTypeWeaverを紹介します。
我々は、再帰型ニューラルネットワークのDeepTyper、グラフニューラルネットワークのLambdaNet、汎用多言語トランスフォーマーのInCoderの3つのモデルでこれを評価した。
最高の型予測モデルでは、パッケージの21%の型チェックしかありませんが、もっと励ましく言えば、ファイルの69%が型チェックを成功させています。
論文 参考訳（メタデータ） (2023-02-23T16:59:38Z) - Scalable Font Reconstruction with Dual Latent Manifolds [55.29525824849242]
タイポグラフィー解析とフォント再構成を行う深層生成モデルを提案する。
このアプローチによって、効果的にモデル化できるキャラクタの種類を大規模にスケールアップすることが可能になります。
多くの言語の文字タイプを表す様々なデータセット上でフォント再構成のタスクを評価する。
論文 参考訳（メタデータ） (2021-09-10T20:37:43Z) - Type4Py: Deep Similarity Learning-Based Type Inference for Python [9.956021565144662]
類似度学習に基づくpythonの型推論モデルであるtype4pyを提案する。
高次元空間における同種の型と異種の型を区別することを学ぶ階層的ニューラルネットワークモデルを設計する。
Top-1の予測を考えると、Type4PyはTypilusとTypeWriterよりも19.33%、13.49%高い精度である。
論文 参考訳（メタデータ） (2021-01-12T13:32:53Z) - Topic Adaptation and Prototype Encoding for Few-Shot Visual Storytelling [81.33107307509718]
トピック間一般化の能力をモデル化するためのトピック適応型ストーリーテラを提案する。
また,アトピー内導出能力のモデル化を目的とした符号化手法の試作も提案する。
実験結果から,トピック適応とプロトタイプ符号化構造が相互に利益をもたらすことが明らかとなった。
論文 参考訳（メタデータ） (2020-08-11T03:55:11Z) - Linguistic Typology Features from Text: Inferring the Sparse Features of
World Atlas of Language Structures [73.06435180872293]
我々は、バイト埋め込みと畳み込み層に基づく繰り返しニューラルネットワーク予測器を構築する。
様々な言語型の特徴を確実に予測できることを示す。
論文 参考訳（メタデータ） (2020-04-30T21:00:53Z) - LambdaNet: Probabilistic Type Inference using Graph Neural Networks [46.66093127573704]
本稿では,グラフニューラルネットワークに基づくTypeScriptの確率型推論手法を提案する。
弊社のアプローチでは、数値や文字列などの標準型と、トレーニング中に遭遇していないユーザ定義型の両方を予測できる。
論文 参考訳（メタデータ） (2020-04-29T17:48:40Z) - Typilus: Neural Type Hints [17.332608142043004]
本稿では,プログラムの構造,名称,パターンを確率論的に推論することで,型を予測するグラフニューラルネットワークモデルを提案する。
我々のモデルは,レアおよびユーザ定義型を含む,オープンなタイプの語彙を予測するために,ワンショット学習を用いることができる。
タイピロスは、すべてのアノテータ可能なシンボルの70%の型を自信を持って予測する。
論文 参考訳（メタデータ） (2020-04-06T11:14:03Z)
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。