論文の概要: EnHMM: On the Use of Ensemble HMMs and Stack Traces to Predict the
Reassignment of Bug Report Fields
- arxiv url: http://arxiv.org/abs/2103.08083v1
- Date: Mon, 15 Mar 2021 01:00:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 02:01:06.162201
- Title: EnHMM: On the Use of Ensemble HMMs and Stack Traces to Predict the
Reassignment of Bug Report Fields
- Title（参考訳）: EnHMM: バグレポートフィールドの再割り当て予測のためのHMMとスタックトレースのアンサンブル利用について
- Authors: Md Shariful Islam, Abdelwahab Hamou-Lhadj, Korosh K. Sabor, Mohammad
Hamdaqa, Haipeng Cai
- Abstract要約: バグレポート(BR)には、チームが優先順位付けし、修正を提供する開発者にバグを割り当てるのに役立つ重要な情報が含まれています。
BR フィールドが再割り当てされるべきかどうかを予測する方法は存在する。
そこで本研究では,スタックトレースを学習したアンサンブル隠れマルコフモデル(HMM)を用いてBRフィールドの再割り当てを予測するために,EnHMMと呼ばれる新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 14.71695500442894
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bug reports (BR) contain vital information that can help triaging teams
prioritize and assign bugs to developers who will provide the fixes. However,
studies have shown that BR fields often contain incorrect information that need
to be reassigned, which delays the bug fixing process. There exist approaches
for predicting whether a BR field should be reassigned or not. These studies
use mainly BR descriptions and traditional machine learning algorithms (SVM,
KNN, etc.). As such, they do not fully benefit from the sequential order of
information in BR data, such as function call sequences in BR stack traces,
which may be valuable for improving the prediction accuracy. In this paper, we
propose a novel approach, called EnHMM, for predicting the reassignment of BR
fields using ensemble Hidden Markov Models (HMMs), trained on stack traces.
EnHMM leverages the natural ability of HMMs to represent sequential data to
model the temporal order of function calls in BR stack traces. When applied to
Eclipse and Gnome BR repositories, EnHMM achieves an average precision, recall,
and F-measure of 54%, 76%, and 60% on Eclipse dataset and 41%, 69%, and 51% on
Gnome dataset. We also found that EnHMM improves over the best single HMM by
36% for Eclipse and 76% for Gnome. Finally, when comparing EnHMM to Im.ML.KNN,
a recent approach in the field, we found that the average F-measure score of
EnHMM improves the average F-measure of Im.ML.KNN by 6.80% and improves the
average recall of Im.ML.KNN by 36.09%. However, the average precision of EnHMM
is lower than that of Im.ML.KNN (53.93% as opposed to 56.71%).
- Abstract（参考訳）: バグレポート(BR)には、チームが優先順位付けし、修正を提供する開発者にバグを割り当てるのに役立つ重要な情報が含まれています。
しかし、BRフィールドはしばしば再割り当てが必要な誤った情報を含んでおり、バグ修正プロセスを遅らせることが研究で示されています。
BR フィールドが再割り当てされるべきかどうかを予測する方法は存在する。
これらの研究は主にBR記述と従来の機械学習アルゴリズム(SVM、KNNなど)を使用している。
したがって、brスタックトレースの関数呼び出しシーケンスのようなbrデータ内の情報の逐次的な順序の恩恵を受けず、予測精度を向上させるのに有用である。
本稿では,スタックトレースに基づいて学習したアンサンブル隠れマルコフモデル(HMM)を用いてBRフィールドの再割り当てを予測する,EnHMMと呼ばれる新しい手法を提案する。
EnHMM は HMM の自然能力を利用してシーケンシャルデータを表現して BR スタックトレースにおける関数呼び出しの時系列順序をモデル化します。
EclipseとGnome BRリポジトリに適用すると、EnHMMは、Eclipseデータセットで54%、76%、60%、Gnomeデータセットで41%、69%、および51%の平均精度、リコール、およびF測定を実現します。
また、EnHMMはEclipseで36%、Gnomeで76%、最高のシングルHMMで36%改善しています。
最後に,EnHMMと最近のアプローチであるIm.ML.KNNを比較すると,EnHMMの平均F値スコアが平均F値の6.80%向上し,Im.ML.KNNの平均リコール率が36.09%向上することがわかった。
しかし、EnHMMの平均精度はIm.ML.KNNよりも低い(56.71%に対して53.93%)。
関連論文リスト
- Preference Optimization for Reasoning with Pseudo Feedback [100.62603571434167]
提案手法では,解のラベル付けを関連するテストケースに対する評価として行うことで,推論タスクに対する疑似フィードバックを生成する手法を提案する。
本研究では,擬似フィードバックを優先最適化に用いる数学的推論と符号化の両タスクについて実験を行い,両タスク間の改善を観察する。
論文 参考訳（メタデータ） (2024-11-25T12:44:02Z) - Lighter, Better, Faster Multi-Source Domain Adaptation with Gaussian Mixture Models and Optimal Transport [5.492296610282042]
我々は、異種、ラベル付きソース確率測度を異なるラベル付きターゲット測度に適応させるトランスファー学習におけるタスクであるマルチソースドメイン適応(MSDA)に取り組む。
最適輸送(OT)とガウス混合モデル(GMM)に基づくMSDAのための新しいフレームワークを提案する。
画像分類と故障診断の4つのベンチマークで提案手法を実証的に評価し,より高速かつ少ないパラメータを伴いながら,先行技術よりも改善したことを示す。
論文 参考訳（メタデータ） (2024-04-16T03:31:28Z) - See, Say, and Segment: Teaching LMMs to Overcome False Premises [67.36381001664635]
この課題を解決するために,LMMのカスケードと共同学習手法を提案する。
得られたモデルでは、画像中に物体が存在するかどうかを検知し、その物体が存在しないかをユーザに「例」し、最終的に、対象物のマスクを出力することで「分類」を行う。
論文 参考訳（メタデータ） (2023-12-13T18:58:04Z) - AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。
この問題に対処するためにテスト時適応(TTA)手法が提案されている。
本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
論文 参考訳（メタデータ） (2023-04-25T04:23:13Z) - Learning Hidden Markov Models Using Conditional Samples [72.20944611510198]
本稿では,隠れマルコフモデル(HMM)の学習における計算複雑性について述べる。
本稿では,HMMの条件分布からサンプルを問合せする対話型アクセスモデルを提案する。
具体的には、正確な条件付き確率に対するクエリアクセスが可能な設定において、HMMを学習するための効率的なアルゴリズムを得る。
論文 参考訳（メタデータ） (2023-02-28T16:53:41Z) - Accurate and Reliable Methods for 5G UAV Jamming Identification With
Calibrated Uncertainty [3.4208659698673127]
不確実性を考慮せずに精度を上げるだけで、Deep Neural Network(DNN)の意思決定に悪影響を及ぼす可能性がある。
本稿では,時系列二項分類問題に対する前処理と後処理の5つの組み合わせを提案する。
論文 参考訳（メタデータ） (2022-11-05T15:04:45Z) - Reconstruction of Sentinel-2 Time Series Using Robust Gaussian Mixture
Models -- Application to the Detection of Anomalous Crop Development in wheat
and rapeseed crops [14.849671539394272]
データの欠落は、主にマルチスペクトル画像のクラウドカバレッジと取得の問題によって、リモートセンシングにおいて繰り返し発生する問題である。
マルチスペクトル画像から抽出したパーセルレベルの特徴を再構成するためのガウス混合モデル(GMM)を提案する。
また、Sentinel-1データを用いた合成開口レーダ(SAR)画像から抽出した付加的特徴を用いて補完情報を提供する。
論文 参考訳（メタデータ） (2021-10-22T13:35:54Z) - Why Do Pretrained Language Models Help in Downstream Tasks? An Analysis
of Head and Prompt Tuning [66.44344616836158]
本稿では,事前学習タスクと下流タスクをテキストの潜在変数生成モデルに関連付ける分析フレームワークを提案する。
HMMの特定の非退化条件下では、単純な分類ヘッドがダウンストリームタスクを解くことができ、また、迅速なチューニングにより、より弱い非退化条件で下流の保証を得ることができ、さらに、メモリ拡張HMMの回復保証がバニラHMMよりも強いことを示す。
論文 参考訳（メタデータ） (2021-06-17T03:31:47Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z) - Effective Learning of a GMRF Mixture Model [8.336315962271396]
我々はGMMをガウスマルコフ確率場混合モデル(GMRF-MM)に限定することを提案する。
各行列の空間パターンが知られているとき、その行列の最大近似(MLE)の効率的な最適化法を提案する。
GMRFとGMRF-MMの両症例でGLASSOの「偏り」はGLASSOよりも優れていた。
論文 参考訳（メタデータ） (2020-05-18T19:00:14Z)
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。