Fugu-MT 論文翻訳(概要): Predicting Issue Types on GitHub

論文の概要: Predicting Issue Types on GitHub

arxiv url: http://arxiv.org/abs/2107.09936v1
Date: Wed, 21 Jul 2021 08:14:48 GMT
ステータス: 処理完了
システム内更新日: 2021-07-22 14:03:54.886685
Title: Predicting Issue Types on GitHub
Title（参考訳）: GitHubのイシュータイプ予測
Authors: Rafael Kallis, Andrea Di Sorbo, Gerardo Canfora, Sebastiano Panichella
Abstract要約: Ticket Taggerは、機械学習技術による課題のタイトルと説明を分析するGitHubアプリである。私たちは、約30,000のGitHubイシューに対して、ツールの予測パフォーマンスを実証的に評価しました。
参考スコア（独自算出の注目度）: 8.791809365994682
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Software maintenance and evolution involves critical activities for the success of software projects. To support such activities and keep code up-to-date and error-free, software communities make use of issue trackers, i.e., tools for signaling, handling, and addressing the issues occurring in software systems. However, in popular projects, tens or hundreds of issue reports are daily submitted. In this context, identifying the type of each submitted report (e.g., bug report, feature request, etc.) would facilitate the management and the prioritization of the issues to address. To support issue handling activities, in this paper, we propose Ticket Tagger, a GitHub app analyzing the issue title and description through machine learning techniques to automatically recognize the types of reports submitted on GitHub and assign labels to each issue accordingly. We empirically evaluated the tool's prediction performance on about 30,000 GitHub issues. Our results show that the Ticket Tagger can identify the correct labels to assign to GitHub issues with reasonably high effectiveness. Considering these results and the fact that the tool is designed to be easily integrated in the GitHub issue management process, Ticket Tagger consists in a useful solution for developers.
Abstract（参考訳）: ソフトウェアのメンテナンスと進化は、ソフトウェアプロジェクトの成功のために重要な活動を伴う。このようなアクティビティをサポートし、コードを最新かつエラーフリーに保つために、ソフトウェアコミュニティは、イシュートラッカ、すなわち、ソフトウェアシステムで発生した問題をシグナリング、ハンドリング、対処するためのツールを利用する。しかし、人気のあるプロジェクトでは、毎日数十、数百の発行レポートが提出される。この文脈では、提出された各レポートのタイプ(例えば、バグレポート、機能要求など)を識別する。対処すべき課題の管理と優先順位付けを容易にするのです本稿では,課題ハンドリング活動を支援するために,GitHubで発行されたレポートのタイプを自動的に認識し,各課題にラベルを割り当てる,機械学習技術を用いて課題タイトルと説明を分析するGitHubアプリTicket Taggerを提案する。私たちは、約30,000のGitHubイシューに対して、ツールの予測パフォーマンスを実証的に評価しました。その結果,チケットタガーはgithubイシューにアサインする正しいラベルを適度に高い効率で識別できることがわかった。これらの結果と、ツールがGitHubのイシュー管理プロセスに簡単に統合できるように設計されているという事実を考えると、Ticket Taggerは開発者にとって便利なソリューションである。

関連論文リスト

Visual Analysis of GitHub Issues to Gain Insights [2.9051263101214566]
本稿では,課題タイムラインに関する洞察を提供するために,可視化を生成するプロトタイプWebアプリケーションを提案する。問題のライフサイクルに焦点をあて、ユーザによる開発パターンの理解を高めるために重要な情報を記述する。
論文参考訳（メタデータ） (2024-07-30T15:17:57Z)
VDebugger: Harnessing Execution Feedback for Debugging Visual Programs [103.61860743476933]
V Debuggerは、視覚プログラムのローカライズとデバッギングのために、段階的に実行を追跡することで訓練された、批評家とリファインダーのフレームワークである。 Vデバッガは、詳細な実行フィードバックを活用してプログラムエラーを特定し、修正する。 6つのデータセットの評価は、Vデバッガの有効性を示し、ダウンストリームタスクの精度が最大3.2%向上したことを示している。
論文参考訳（メタデータ） (2024-06-19T11:09:16Z)
MAGIS: LLM-Based Multi-Agent Framework for GitHub Issue Resolution [47.850418420195304]
大規模言語モデル(LLM)はコード生成において有望であるが、GitHubの問題を解決する上で困難に直面している。ソフトウェア進化のためにカスタマイズされた4つのエージェントからなる、GitHub Issue Resolution, MAGISのための新しいMulti-Agentフレームワークを提案する。
論文参考訳（メタデータ） (2024-03-26T17:57:57Z)
GitAgent: Facilitating Autonomous Agent with GitHub by Tool Extension [81.44231422624055]
さまざまなタスクを実行できる外部ツールを備えた大規模言語モデル(LLM)に焦点が当てられている。本稿では,GitHubから自動ツール拡張を実現するエージェントであるGitAgentを紹介する。
論文参考訳（メタデータ） (2023-12-28T15:47:30Z)
SWE-bench: Can Language Models Resolve Real-World GitHub Issues? [80.52201658231895]
SWE-benchは、実際のGitHub問題から引き出された2,294ドルのソフトウェアエンジニアリング問題と、人気のあるPythonリポジトリ12ドルのプルリクエストで構成される評価フレームワークである。我々は、最先端のプロプライエタリモデルと微調整モデルSWE-Llamaの両方が、最も単純な問題だけを解決できることを示します。
論文参考訳（メタデータ） (2023-10-10T16:47:29Z)
MaintainoMATE: A GitHub App for Intelligent Automation of Maintenance Activities [3.2228025627337864]
ソフトウェア開発プロジェクトは、バグ報告や強化要求といったメンテナンスタスクの追跡の中心にある問題追跡システムに依存している。問題レポートの処理は極めて重要であり、問題レポートに入力されたテキストを徹底的にスキャンする必要があるため、労働集約的な作業となる。各カテゴリのイシューレポートを自動的に分類し,関連する専門知識を持つ開発者にイシューレポートを割り当てることのできる,MaintainoMATEという統合フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-31T05:15:42Z)
GiveMeLabeledIssues: An Open Source Issue Recommendation System [9.312780130838952]
開発者はしばしば、オープンソースソフトウェア(OSS)プロジェクトのイシュートラッキングシステムをナビゲートして、適切なタスクを見つけるのに苦労します。本稿では,プロジェクトリポジトリをマイニングし,課題を解決に必要なスキルに基づいてラベル付けするツールを提案する。 GiveMeLabeledIssuesは開発者のスキルとタスクのマッチングを容易にし、プロジェクトのメンテナの負担を軽減する。
論文参考訳（メタデータ） (2023-03-23T16:39:31Z)
Using Developer Discussions to Guide Fixing Bugs in Software [51.00904399653609]
我々は,タスク実行前に利用可能であり,また自然発生しているバグレポートの議論を,開発者による追加情報の必要性を回避して利用することを提案する。このような議論から派生したさまざまな自然言語コンテキストがバグ修正に役立ち、オラクルのバグ修正コミットに対応するコミットメッセージの使用よりもパフォーマンスの向上につながることを実証する。
論文参考訳（メタデータ） (2022-11-11T16:37:33Z)
Automatic Issue Classifier: A Transfer Learning Framework for Classifying Issue Reports [0.0]
私たちはRoBERTaと呼ばれる既製のニューラルネットワークを使って、問題を分類しています。本稿では,問題レポートを複数ラベル設定で分類するアプローチを提案する。我々はRoBERTaと呼ばれる市販のニューラルネットワークを用いて,問題レポートの分類を行う。
論文参考訳（メタデータ） (2022-02-12T21:43:08Z)
S3M: Siamese Stack (Trace) Similarity Measure [55.58269472099399]
本稿では、深層学習に基づくスタックトレースの類似性を計算する最初のアプローチであるS3Mを紹介します。 BiLSTMエンコーダと、類似性を計算するための完全接続型分類器をベースとしている。私たちの実験は、オープンソースデータとプライベートなJetBrainsデータセットの両方において、最先端のアプローチの優位性を示しています。
論文参考訳（メタデータ） (2021-03-18T21:10:41Z)
A Transfer Learning Approach for Dialogue Act Classification of GitHub Issue Comments [1.370633147306388]
本稿では,GitHub上の課題コメントに基づいて対話行為分類を行うための伝達学習手法を提案する。 GitHubイシューコメントのラベル付きコーパスは存在しないため、転送学習を利用することで、標準的な対話行動データセットを活用することができます。問題コメントを対話行動にマッピングできることは、認知チームのプロセスを理解するための有用な一歩です。
論文参考訳（メタデータ） (2020-11-10T02:56:18Z)

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。