論文の概要: Identifying non-natural language artifacts in bug reports

• arxiv url: http://arxiv.org/abs/2110.01336v1
• Date: Mon, 4 Oct 2021 11:33:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:28:11.963920
• Title: Identifying non-natural language artifacts in bug reports
• Title（参考訳）: バグレポートにおける非自然言語アーティファクトの同定
• Authors: Thomas Hirsch, Birgit Hofer
• Abstract要約: 我々は,Pythonの行レベルにおいて,コンテンツを自然言語とアーティファクトに分類する機械学習ベースのアプローチを提案する。 GitHubのイシュートラッカからのデータを、自動トレーニングセット生成にどのように使用できるかを示します。 我々のモデルは手動でアノテートした検証セットに対して0.95ROC-AUCと0.93F1でスコアし、10k行を0.72秒で分類する。
• 参考スコア（独自算出の注目度）: 1.464410818828473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bug reports are a popular target for natural language processing (NLP). However, bug reports often contain artifacts such as code snippets, log outputs and stack traces. These artifacts not only inflate the bug reports with noise, but often constitute a real problem for the NLP approach at hand and have to be removed. In this paper, we present a machine learning based approach to classify content into natural language and artifacts at line level implemented in Python. We show how data from GitHub issue trackers can be used for automated training set generation, and present a custom preprocessing approach for bug reports. Our model scores at 0.95 ROC-AUC and 0.93 F1 against our manually annotated validation set, and classifies 10k lines in 0.72 seconds. We cross evaluated our model against a foreign dataset and a foreign R model for the same task. The Python implementation of our model and our datasets are made publicly available under an open source license.
• Abstract（参考訳）: バグレポートは自然言語処理(NLP)のターゲットとして人気がある。 しかしながら、バグレポートにはコードスニペット、ログ出力、スタックトレースなどのアーティファクトが含まれていることが多い。 これらのアーティファクトは、バグレポートにノイズを注入するだけでなく、手元にあるNLPアプローチの本当の問題となり、取り除かなければなりません。 本稿では,Pythonで実装されたラインレベルにおいて,コンテンツを自然言語とアーティファクトに分類する機械学習アプローチを提案する。 GitHubのイシュートラッカからのデータを自動トレーニングセット生成にどのように使用できるかを示し、バグレポートのカスタム前処理アプローチを示す。 我々のモデルは手動でアノテートした検証セットに対して0.95ROC-AUCと0.93F1でスコアし、10k行を0.72秒で分類する。 我々は、同じタスクに対して、外部データセットと外部rモデルに対して、このモデルを評価した。 私たちのモデルとデータセットのPython実装は、オープンソースライセンスの下で公開されています。

関連論文リスト

• Improving Automatic Text Recognition with Language Models in the PyLaia Open-Source Library [3.3484434195495605]
  本稿では,信頼度スコアの組み入れと復号時の統計的言語モデリングの統合に着目した。 我々の実装は、異なるレベルでPyLaiaとn-gramの言語モデルを簡単に組み合わせる方法を提供する。 我々はPyLaiaの性能を言語モデリングと非言語モデルの両方で12のデータセットで評価した。
  論文  参考訳（メタデータ） (2024-04-29T14:11:16Z)
• Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
  最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。 より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。 これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
  論文  参考訳（メタデータ） (2024-03-26T12:47:39Z)
• PyTy: Repairing Static Type Errors in Python [19.74043303068795]
  本稿では,Python の静的型エラーを対象とした自動プログラム修復手法 PyTy を提案する。 私たちは、PyTyDefectsという名前の176のGitHubリポジトリから、2,766のエラー修正ペアのデータセットを作成します。 我々の評価によると、PyTyは10の頻繁な型エラーに対して修正を提供し、実世界のエラー281件のうち85.4%に対処できた。
  論文  参考訳（メタデータ） (2024-01-12T15:08:56Z)
• An Open Dataset and Model for Language Identification [84.15194457400253]
  マクロ平均F1スコア0.93、偽陽性率0.033を201言語で達成するLIDモデルを提案する。 モデルとデータセットの両方を研究コミュニティに公開しています。
  論文  参考訳（メタデータ） (2023-05-23T08:43:42Z)
• Automatic Classification of Bug Reports Based on Multiple Text Information and Reports' Intention [37.67372105858311]
  本稿では,バグレポートの自動分類手法を提案する。 イノベーションは、バグレポートを分類する際に、レポートのテキスト情報に加えて、レポートの意図も考慮することである。 提案手法は性能が向上し,F-Measureは87.3%から95.5%に向上した。
  論文  参考訳（メタデータ） (2022-08-02T06:44:51Z)
• Falsesum: Generating Document-level NLI Examples for Recognizing Factual Inconsistency in Summarization [63.21819285337555]
  高品質なタスク指向の例でトレーニングデータを拡張した場合,NLIモデルがこのタスクに有効であることを示す。 我々は、制御可能なテキスト生成モデルを利用して、人間の注釈付き要約を摂動させるデータ生成パイプラインであるFalsesumを紹介した。 本研究では,Falsesumを付加したNLIデータセットでトレーニングしたモデルにより,4つのベンチマークを用いて,要約における事実整合性を検出することにより,最先端のパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2022-05-12T10:43:42Z)
• Automatic Language Identification for Celtic Texts [0.0]
  この研究は、ケルト語族を例に、関連する低リソース言語の識別に対処する。 アイルランド語、スコットランド語、ウェールズ語、英語のレコードを含む新しいデータセットを収集しました。 我々は、クラスタリング、オートエンコーダ、トピックモデリングメソッドの出力と並行して、従来の統計的特徴を持つSVMやニューラルネットワークなどの教師付きモデルをテストする。
  論文  参考訳（メタデータ） (2022-03-09T16:04:13Z)
• MINIMAL: Mining Models for Data Free Universal Adversarial Triggers [57.14359126600029]
  我々は、NLPモデルから入力非依存の逆のトリガーをマイニングするための、新しいデータフリーアプローチ、MINIMALを提案する。 我々はスタンフォード・センティメント・ツリーバンクの正のクラスを93.6%から9.6%に減らした。 SNLI(Stanford Natural Language Inference)では、このシングルワードトリガーによって、エンターメントクラスの精度が90.95%から0.6%未満に低下する。
  論文  参考訳（メタデータ） (2021-09-25T17:24:48Z)
• MOROCCO: Model Resource Comparison Framework [61.444083353087294]
  我々は,50以上のNLUタスクをサポートするttjiant環境と互換性のある言語モデルを比較するフレームワークMOROCCOを提案する。 異なる言語で2つのGLUEライクなスイートに適用可能であることを示す。
  論文  参考訳（メタデータ） (2021-04-29T13:01:27Z)
• ManyTypes4Py: A Benchmark Python Dataset for Machine Learning-based Type Inference [9.384801062680786]
  ManyTypes4Pyは、機械学習(ML)ベースの型推論のための大きなPythonデータセットである。 データセットには合計5,382のPythonプロジェクトと869K以上の型アノテーションが含まれている。
  論文  参考訳（メタデータ） (2021-04-10T08:10:06Z)
• A ground-truth dataset and classification model for detecting bots in GitHub issue and PR comments [70.1864008701113]
  ボットはGithubリポジトリで、分散ソフトウェア開発プロセスの一部である反復的なアクティビティを自動化するために使用されている。 本稿では,5000のGithubアカウントのプルリクエストとコメント発行に関する,高い相互契約を伴う手動分析に基づいて,基幹トラスデータセットを提案する。 ボットを検出する自動分類モデルを提案し,各アカウントの空のコメント数と空でないコメント数,コメントパターンの数,コメントパターン内のコメント間の不平等を主特徴とする。
  論文  参考訳（メタデータ） (2020-10-07T09:30:52Z)

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。