論文の概要: Technical Reports Compilation: Detecting the Fire Drill anti-pattern using Source Code

• arxiv url: http://arxiv.org/abs/2104.15090v1
• Date: Fri, 30 Apr 2021 16:16:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 13:28:59.543322
• Title: Technical Reports Compilation: Detecting the Fire Drill anti-pattern using Source Code
• Title（参考訳）: テクニカルレポートコンパイル:ソースコードによるファイアドリルアンチパターンの検出
• Authors: Sebastian H\"onel
• Abstract要約: この文書は3つの別々の技術レポートのコンパイルです。 ソフトウェア開発プロジェクトにおけるいわゆる「アンチパターン」の存在を検出する手法の開発について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This document is a compilation of three separate technical reports. In all detail, the development of a method for detecting the presence of so-called "anti-patterns" in software development projects is presented. The first technical report is concerned with this concrete problem, and it facilitates two major building blocks: The first is the application of a new method for time warping, called self-regularizing boundary time/amplitude warping (srBTAW). The second building block is a detailed walkthrough of creating a classifier for commits, based on source code density. Both these blocks have dedicated technical reports. All of the data, source code, and raw materials can be found online. These reports and resources are made available for reproduction purposes. The interested reader is welcome and enabled to re-run all of the computations and to extend our ideas.
• Abstract（参考訳）: この文書は3つの別々の技術報告のまとめである。 具体的には,ソフトウェア開発プロジェクトにおけるいわゆる"アンチパターン"の存在を検出する手法の開発について述べる。 最初の技術的報告は、この具体的な問題に関係しており、2つの大きなビルディングブロックを促進する: 1つは、自己規則化境界時間/振幅整流(srBTAW)と呼ばれる新しい時間整流法の適用である。 第2のビルディングブロックは、ソースコード密度に基づいてコミットの分類子を作成するための詳細なウォークスルーである。 どちらのブロックも専用の技術レポートを持っている。 すべてのデータ、ソースコード、原材料はオンラインで見ることができる。 これらの報告と資源は再生のために利用可能である。 興味のある読者は歓迎され、すべての計算を再実行し、アイデアを拡張することができます。

関連論文リスト

• Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
  unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。 近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。 本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。 実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
  論文  参考訳（メタデータ） (2024-09-05T02:58:13Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。 しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• Map-aided annotation for pole base detection [0.0]
  本稿では2次元HDマップを用いて,画像中の極状特徴を自動的にアノテートする。 高さ情報がない場合、地図の特徴は地上のポールベースとして表現される。 ポールベースを検出するためにオブジェクト検出器をどのように訓練するかを示す。
  論文  参考訳（メタデータ） (2024-03-04T09:23:11Z)
• Anchoring Path for Inductive Relation Prediction in Knowledge Graphs [69.81600732388182]
  APSTはAPとCPを統一されたSentence Transformerアーキテクチャの入力として扱う。 我々は3つの公開データセット上でAPSTを評価し、36のトランスダクティブ、インダクティブ、および数ショットの実験的設定のうち30の最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2023-12-21T06:02:25Z)
• The Devil is in the Details: On the Pitfalls of Event Extraction Evaluation [46.09190731105998]
  イベント抽出(EE)は、テキストからイベントを抽出することを目的とした重要なタスクである。 本稿では,脳波評価の信頼性を確認し,大きな落とし穴を3つ同定する。
  論文  参考訳（メタデータ） (2023-06-12T07:38:31Z)
• A Unified Evaluation of Textual Backdoor Learning: Frameworks and Benchmarks [72.7373468905418]
  我々は,テキストバックドア学習の実装と評価を促進するオープンソースツールキットOpenBackdoorを開発した。 また,単純なクラスタリングに基づく防御ベースラインであるCUBEを提案する。
  論文  参考訳（メタデータ） (2022-06-17T02:29:23Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)
• G2MF-WA: Geometric Multi-Model Fitting with Weakly Annotated Data [15.499276649167975]
  弱いアノテーションでは、ほとんどの手動アノテーションは正しくなければならないが、必然的に間違ったアノテーションと混同されている。 本稿では,WAデータを完全に活用してマルチモデル適合性能を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2020-01-20T04:22:01Z)

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。