論文の概要: Deep Learning for Agile Effort Estimation Have We Solved the Problem Yet?

• arxiv url: http://arxiv.org/abs/2201.05401v1
• Date: Fri, 14 Jan 2022 11:38:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-17 14:36:10.346294
• Title: Deep Learning for Agile Effort Estimation Have We Solved the Problem Yet?
• Title（参考訳）: アジャイル活動のための深層学習の見積もりは、まだ解決していないか?
• Authors: Vali Tawosi, Rebecca Moussa, Federica Sarro
• Abstract要約: 私たちは、Deep Learningを使ってアジャイルの取り組みを見積もるセミナルな作業の、密なレプリケーションと拡張を行います。 私たちは、Deep-SEを3つのベースラインテクニックと、以前に提案されたアジャイルソフトウェア開発の取り組みを見積もる手法に対してベンチマークします。 より多くのデータを使用することで、結果に対する信頼性を強化し、研究の外的妥当性に対する脅威をさらに軽減できます。
• 参考スコア（独自算出の注目度）: 7.808390209137859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the last decade, several studies have proposed the use of automated techniques to estimate the effort of agile software development. In this paper we perform a close replication and extension of a seminal work proposing the use of Deep Learning for agile effort estimation (namely Deep-SE), which has set the state-of-the-art since. Specifically, we replicate three of the original research questions aiming at investigating the effectiveness of Deep-SE for both within-project and cross-project effort estimation. We benchmark Deep-SE against three baseline techniques (i.e., Random, Mean and Median effort prediction) and a previously proposed method to estimate agile software project development effort (dubbed TF/IDF-SE), as done in the original study. To this end, we use both the data from the original study and a new larger dataset of 31,960 issues, which we mined from 29 open-source projects. Using more data allows us to strengthen our confidence in the results and further mitigate the threat to the external validity of the study. We also extend the original study by investigating two additional research questions. One evaluates the accuracy of Deep-SE when the training set is augmented with issues from all other projects available in the repository at the time of estimation, and the other examines whether an expensive pre-training step used by the original Deep-SE, has any beneficial effect on its accuracy and convergence speed. The results of our replication show that Deep-SE outperforms the Median baseline estimator and TF/IDF-SE in only very few cases with statistical significance (8/42 and 9/32 cases, respectively), thus confounding previous findings on the efficacy of Deep-SE. The two additional RQs revealed that neither augmenting the training set nor pre-training Deep-SE play a role in improving its accuracy and convergence speed. ...
• Abstract（参考訳）: 過去10年間に、アジャイルソフトウェア開発の労力を見積もるために自動化技術を使うことを提案する研究がいくつかある。 本稿では,Deep-SE(Deep-Learning)をアジャイルの取り組み推定に活用することを提案するセミナルな作業の密な複製と拡張を行う。 具体的には、プロジェクト内およびプロジェクト横断の取り組み推定におけるDeep-SEの有効性を検討することを目的とした元の3つの研究課題を再現する。 私たちはDeep-SEを3つのベースラインテクニック(Random、Mean、Medianの取り組み予測)と、以前提案されたアジャイルソフトウェア開発(TF/IDF-SEと呼ばれる)の取り組みを見積もる手法と比較しました。 この目的のために、オリジナル調査のデータと、29のオープンソースプロジェクトから抽出した31,960件の新たなデータセットの両方を使用しました。 より多くのデータを使用することで、結果に対する信頼性を強化し、研究の外的妥当性に対する脅威をさらに軽減できます。 また,本研究を2つの追加研究課題から拡張した。 トレーニングセットが見積時にリポジトリで利用可能な他のすべてのプロジェクトから問題によって強化された場合のDeep-SEの精度を評価するとともに、オリジナルのDeep-SEが使用する高価な事前トレーニングステップが、その精度と収束速度に有益な影響を及ぼすかどうかを調べる。 以上の結果より,Deep-SEは統計学的に有意な症例(8/42例,9/32例)において,Medianベースライン推定とTF/IDF-SEの成績に優れており,Deep-SEの有効性について既往の知見を裏付けるものである。 追加の2つのRQは、トレーニングセットの強化も、事前トレーニングのDeep-SEも、その精度と収束速度を改善する役割を果たさないことを示した。 ...

関連論文リスト

• A Comprehensive Survey on Evidential Deep Learning and Its Applications [64.83473301188138]
  Evidential Deep Learning (EDL)は、単一のフォワードパスで最小限の追加計算で信頼性の高い不確実性推定を提供する。 まず、主観的論理理論であるEDLの理論的基礎を掘り下げ、他の不確実性推定フレームワークとの区別について議論する。 さまざまな機械学習パラダイムや下流タスクにまたがる広範な応用について詳しく述べる。
  論文  参考訳（メタデータ） (2024-09-07T05:55:06Z)
• Uncertainty of Thoughts: Uncertainty-Aware Planning Enhances Information Seeking in Large Language Models [73.79091519226026]
  Uncertainty of Thoughts (UoT) は、大きな言語モデルを拡張するアルゴリズムであり、効果的な質問をすることで積極的に情報を求めることができる。 医療診断、トラブルシューティング、および20の質問ゲームに関する実験において、UoTは、タスク完了の成功率において平均38.1%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-02-05T18:28:44Z)
• Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
  大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。 本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
  論文  参考訳（メタデータ） (2023-11-29T05:33:28Z)
• Measuring Improvement of F$_1$-Scores in Detection of Self-Admitted Technical Debt [5.750379648650073]
  変換器(BERT)アーキテクチャからの双方向表現を利用した新しいアプローチによりSATDの検出を改善する。 トレーニングされたBERTモデルは、プロジェクト横断シナリオにおいて、20プロジェクト中19プロジェクトにおいて、以前のすべてのメソッドの最高のパフォーマンスよりも改善されていることが分かりました。 今後の研究では、SATDデータセットを多様化して、大きなBERTモデルの潜伏電力を最大化する方法について検討する予定である。
  論文  参考訳（メタデータ） (2023-03-16T19:47:38Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Toward Edge-Efficient Dense Predictions with Synergistic Multi-Task Neural Architecture Search [22.62389136288258]
  エッジプラットフォーム上で効率的な高密度予測を開発する上での課題に対処する,新しい,スケーラブルなソリューションを提案する。 最初の重要な洞察は、マルチタスクラーニング(MTL)とハードウェア対応のニューラルアーキテクチャサーチ(NAS)が、デバイス上のディエンス予測(DP)に多大な利益をもたらすためにシナジーで機能できることである。 JAReDは、望ましくないノイズの最大88%を低減し、同時に精度を向上する。
  論文  参考訳（メタデータ） (2022-10-04T04:49:08Z)
• Simple Techniques Work Surprisingly Well for Neural Network Test Prioritization and Active Learning (Replicability Study) [4.987581730476023]
  ディープニューラルネットワーク(DNN)のTIP(Test Input Prioritizers)は、一般的に非常に大規模なテストデータセットを効率的に処理するための重要なテクニックである。 Fengらは、非常に高速でシンプルなTIPであるDeepGiniを提案し、ニューロンやサプライズカバレッジのようなより精巧な技術よりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-05-02T05:47:34Z)
• Geometry Uncertainty Projection Network for Monocular 3D Object Detection [138.24798140338095]
  本稿では,予測および学習段階の誤り増幅問題に対処するために,幾何不確実性予測ネットワーク(GUP Net)を提案する。 具体的には, GUPモジュールを提案し, 推定深さの幾何誘導不確かさを求める。 トレーニング段階では,エラー増幅による不安定性を低減するための階層型タスク学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-29T06:59:07Z)
• Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
  深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。 本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:51:55Z)
• Confidence-Aware Learning for Deep Neural Networks [4.9812879456945]
  本稿では,新たな損失関数であるCorrectness Ranking Lossを用いたディープニューラルネットワークのトレーニング手法を提案する。 クラス確率を明示的に規則化し、信頼度に応じて順序付けされたランキングでより良い信頼度の推定を行う。 従来の深層分類器とほぼ同じ計算コストを持ち、1つの推論で信頼性のある予測を出力する。
  論文  参考訳（メタデータ） (2020-07-03T02:00:35Z)

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。