Fugu-MT 論文翻訳(概要): Deep Learning Models in Software Requirements Engineering

論文の概要: Deep Learning Models in Software Requirements Engineering

arxiv url: http://arxiv.org/abs/2105.07771v1
Date: Mon, 17 May 2021 12:27:30 GMT
ステータス: 処理完了
システム内更新日: 2021-05-18 22:49:45.261866
Title: Deep Learning Models in Software Requirements Engineering
Title（参考訳）: ソフトウェア要件工学におけるディープラーニングモデル
Authors: Maria Naumcheva
Abstract要約: 我々は,バニラ文自動エンコーダを文生成タスクに適用し,その性能を評価した。生成された文は、英語でしか使われず、有意義な単語しか含まない。より大きなデータセットにモデルを適用することで、結果が大幅に向上すると信じています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Requirements elicitation is an important phase of any software project: the errors in requirements are more expensive to fix than the errors introduced at later stages of software life cycle. Nevertheless, many projects do not devote sufficient time to requirements. Automated requirements generation can improve the quality of software projects. In this article we have accomplished the first step of the research on this topic: we have applied the vanilla sentence autoencoder to the sentence generation task and evaluated its performance. The generated sentences are not plausible English and contain only a few meaningful words. We believe that applying the model to a larger dataset may produce significantly better results. Further research is needed to improve the quality of generated data.
Abstract（参考訳）: 要件適用は、ソフトウェアプロジェクトの重要なフェーズである。要件のエラーは、ソフトウェアライフサイクルの後期で導入されたエラーよりも、修正するコストが高い。しかし、多くのプロジェクトは十分な時間を要求に費やしていない。要件の自動生成は、ソフトウェアプロジェクトの品質を改善することができる。本稿では,バニラ文自動エンコーダを文生成タスクに適用し,その性能評価を行った。生成された文は、英語でしか使われず、有意義な単語しか含まない。より大きなデータセットにモデルを適用すれば、はるかに優れた結果が得られると考えています。生成データの質を向上させるためには、さらなる研究が必要である。

関連論文リスト

Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文参考訳（メタデータ） (2024-06-24T15:45:22Z)
Bias and Error Mitigation in Software-Generated Data: An Advanced Search and Optimization Framework Leveraging Generative Code Models [0.0]
本稿では,従来のバージョンから誤りやバイアスを修正可能な最適なソースコードの生成と選択を目的とした,高度な検索・最適化フレームワークを提案する。このフレームワークを同じソフトウェアシステムに複数回適用すれば、出力結果の品質が漸進的に向上するでしょう。
論文参考訳（メタデータ） (2023-10-17T19:31:05Z)
Requirements' Characteristics: How do they Impact on Project Budget in a Systems Engineering Context? [3.2872885101161318]
自然言語要求(NLR)の品質の制御と保証は困難である。スウェーデン交通庁 (STA) と共同で, 要件の特性が変更要求や予算変更に与える影響について検討した。
論文参考訳（メタデータ） (2023-10-02T17:53:54Z)
Modelling Concurrency Bugs Using Machine Learning [0.0]
このプロジェクトは、一般的な機械学習アプローチと最近の機械学習アプローチを比較することを目的としている。我々は、実生活(同時)プログラムをシミュレートする範囲で生成する合成データセットを定義する。各種機械学習モデルモデルの基本的な限界に関する仮説を定式化する。
論文参考訳（メタデータ） (2023-05-08T17:30:24Z)
Machine Learning with Requirements: a Manifesto [114.97965827971132]
要件定義と満足度は、マシンラーニングモデルが現実世界にさらに適合するように、長い道のりを歩むことができる、と私たちは主張しています。私たちは、要求仕様を標準の機械学習開発パイプラインにうまく組み込む方法を示します。
論文参考訳（メタデータ） (2023-04-07T14:47:13Z)
Learnware: Small Models Do Big [69.88234743773113]
自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
論文参考訳（メタデータ） (2022-10-07T15:55:52Z)
BigIssue: A Realistic Bug Localization Benchmark [89.8240118116093]
BigIssueは、現実的なバグローカライゼーションのためのベンチマークである。実際のJavaバグと合成Javaバグの多様性を備えた一般的なベンチマークを提供する。われわれは,バグローカライゼーションの最先端技術として,APRの性能向上と,現代の開発サイクルへの適用性の向上を期待している。
論文参考訳（メタデータ） (2022-07-21T20:17:53Z)
CodeRL: Mastering Code Generation through Pretrained Models and Deep Reinforcement Learning [92.36705236706678]
CodeRLは、事前訓練されたLMと深層強化学習によるプログラム合成タスクのための新しいフレームワークである。推論中、我々は重要なサンプリング戦略を持つ新しい生成手順を導入する。モデルバックボーンについては,CodeT5のエンコーダデコーダアーキテクチャを拡張し,学習目標を拡張した。
論文参考訳（メタデータ） (2022-07-05T02:42:15Z)
Detecting Requirements Smells With Deep Learning: Experiences, Challenges and Future Work [9.44316959798363]
本研究の目的は,手動でラベル付きデータセットを作成し,アンサンブル学習,深層学習(DL),単語埋め込みや伝達学習といった手法を用いて一般化問題を克服することで,従来の作業を改善することである。現在の調査結果は、データセットが不均衡であり、どのクラスをもっと追加すべきかを示している。
論文参考訳（メタデータ） (2021-08-06T12:45:15Z)
Measuring Coding Challenge Competence With APPS [54.22600767666257]
コード生成のベンチマークであるAPPSを紹介する。私たちのベンチマークには1万の問題が含まれています。 GPT-Neoのような最近のモデルでは、導入問題のテストケースの約15%をパスできる。
論文参考訳（メタデータ） (2021-05-20T17:58:42Z)
Software Effort Estimation using parameter tuned Models [1.9336815376402716]
見積もりの正確さは、プロジェクトの失敗の理由です。ソフトウェア業界の最大の落とし穴は、ソフトウェア開発の急速に変化する性質であった。ソフトウェア製品の開発コストを正確に予測する有用なモデルの開発が必要です。
論文参考訳（メタデータ） (2020-08-25T15:18:59Z)

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。