論文の概要: Story Point Effort Estimation by Text Level Graph Neural Network
- arxiv url: http://arxiv.org/abs/2203.03062v1
- Date: Sun, 6 Mar 2022 22:15:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-09 03:33:05.689165
- Title: Story Point Effort Estimation by Text Level Graph Neural Network
- Title（参考訳）: テキストレベルグラフニューラルネットワークによるストーリーポイントの労力推定
- Authors: Hung Phan and Ali Jannesari
- Abstract要約: グラフニューラルネットワークは、テキスト分類のための自然言語処理に適用された新しいアプローチである。
ストーリーポイントレベルの推定において,グラフニューラルネットワークによるテキスト分類の可能性と可能性を示す。
- 参考スコア（独自算出の注目度）: 2.652428960991066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating the software projects' efforts developed by agile methods is
important for project managers or technical leads. It provides a summary as a
first view of how many hours and developers are required to complete the tasks.
There are research works on automatic predicting the software efforts,
including Term Frequency Inverse Document Frequency (TFIDF) as the traditional
approach for this problem. Graph Neural Network is a new approach that has been
applied in Natural Language Processing for text classification. The advantages
of Graph Neural Network are based on the ability to learn information via graph
data structure, which has more representations such as the relationships
between words compared to approaches of vectorizing sequence of words. In this
paper, we show the potential and possible challenges of Graph Neural Network
text classification in story point level estimation. By the experiments, we
show that the GNN Text Level Classification can achieve as high accuracy as
about 80 percent for story points level classification, which is comparable to
the traditional approach. We also analyze the GNN approach and point out
several current disadvantages that the GNN approach can improve for this
problem or other problems in software engineering.
- Abstract（参考訳）: アジャイル手法によって開発されたソフトウェアプロジェクトの努力を見積もることは、プロジェクトマネージャや技術リーダにとって重要です。
タスクの完了に要する時間と開発者の数に関する最初のビューとして、要約を提供する。
この問題に対する従来のアプローチとして、TFIDF(Term Frequency Inverse Document Frequency)など、ソフトウェア作業の自動予測に関する研究がある。
グラフニューラルネットワークは、テキスト分類のための自然言語処理に適用された新しいアプローチである。
グラフニューラルネットワークの利点は、単語のベクトル化シーケンスのアプローチと比較して、単語間の関係のようなより多くの表現を持つグラフデータ構造を介して情報を学ぶ能力に基づいている。
本稿では,ストーリーポイントレベル推定におけるグラフニューラルネットワークのテキスト分類の可能性と可能性について述べる。
実験により,従来の手法に匹敵するストーリーポイントレベルの分類では,GNNテキストレベル分類が約80%の精度で達成可能であることが示された。
我々はまた、GNNのアプローチを分析し、GNNのアプローチがこの問題やソフトウェア工学の他の問題に対して改善できる現在のいくつかの欠点を指摘した。
関連論文リスト
- Text classification optimization algorithm based on graph neural network [0.36651088217486427]
本稿では,グラフニューラルネットワークを用いたテキスト分類最適化アルゴリズムを提案する。
適応的なグラフ構築戦略と効率的なグラフ畳み込み操作を導入することにより、テキスト分類の精度と効率を効果的に向上する。
論文 参考訳（メタデータ） (2024-08-09T23:25:37Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed
Graph Neural Networks [68.61934077627085]
本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。
既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-02-01T04:19:50Z) - TextRGNN: Residual Graph Neural Networks for Text Classification [13.912147013558846]
TextRGNNは改良されたGNN構造であり、畳み込みネットワークの深さを深くする残差接続を導入している。
我々の構造はより広いノード受容場を得ることができ、ノード特徴の過度な平滑化を効果的に抑制できる。
コーパスレベルであれテキストレベルであれ、分類精度を大幅に向上させ、幅広いテキスト分類データセット上でSOTA性能を達成することができる。
論文 参考訳（メタデータ） (2021-12-30T13:48:58Z) - Graph Neural Networks for Natural Language Processing: A Survey [64.36633422999905]
本稿では,自然言語処理のためのグラフニューラルネットワーク(GNN)について概観する。
我々は,グラフ構築,グラフ表現学習,グラフベースエンコーダ・デコーダモデルという3つの軸に沿って,NLP用GNNの既存の研究を組織する,NLP用GNNの新しい分類法を提案する。
論文 参考訳（メタデータ） (2021-06-10T23:59:26Z) - Analyzing the Performance of Graph Neural Networks with Pipe Parallelism [2.269587850533721]
ノードやエッジの分類やリンクの予測といったタスクで大きな成功を収めたグラフニューラルネットワーク(GNN)に注目した。
グラフ技術の進歩には,大規模ネットワーク処理のための新たなアプローチが必要である。
私たちは、ディープラーニングコミュニティで成功したと知られている既存のツールとフレームワークを使用して、GNNを並列化する方法を研究します。
論文 参考訳（メタデータ） (2020-12-20T04:20:38Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z)
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。