論文の概要: Exploring Variational Graph Auto-Encoders for Extract Class Refactoring Recommendation

• arxiv url: http://arxiv.org/abs/2203.08787v1
• Date: Wed, 16 Mar 2022 17:48:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 15:24:14.854439
• Title: Exploring Variational Graph Auto-Encoders for Extract Class Refactoring Recommendation
• Title（参考訳）: クラスリファクタリングレコメンデーション抽出のための変分グラフオートエンコーダの探索
• Authors: Pritom Saha Akash
• Abstract要約: 異なるコードの臭いの中で、ゴッドクラスまたはブロブは最も一般的なコードの臭いの1つです。 本稿では,より具体的な責任を持つ複数のクラスに神クラスを抽出する手法を提案する。
• 参考スコア（独自算出の注目度）: 1.3021014899410686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The code smell is a sign of design and development flaws in a software system that reduces the reusability and maintainability of the system. Refactoring is done as an ongoing practice to remove the code smell from the program code. Among different code smells, the God class or Blob is one of the most common code smells. A god class contains too many responsibilities, violating object-oriented programming design's low coupling and high cohesiveness principles. This paper proposes an automatic approach to extracting a God class into multiple smaller classes with more specific responsibilities. To do this, we first construct a graph of methods (as nodes) for the concerning god class. The edge between any two methods is determined by their structural similarity, and the feature for each method is initialized using different semantic representation methods. Then, the variational graph auto-encoder is used to learn a vector representation for each method. Finally, the learned vectors are used to cluster methods into different groups to be recommended as refactored classes. We assessed the proposed framework using three different class cohesion metrics on sixteen actual God Classes collected from two well-known open-source systems. We also conducted a comparative study of our approach with a similar existing approach and found that the proposed approach generated better results for almost all the God Classes used in the experiment.
• Abstract（参考訳）: コードの臭いは、システムの再利用性と保守性を低減するソフトウェアシステムの設計と開発の欠陥の兆候である。 リファクタリングは、プログラムコードからコードの臭いを取り除くための継続的なプラクティスとして行われます。 異なるコードの臭いの中で、godクラスまたはblobは最も一般的なコードの臭いの1つです。 godクラスにはあまりに多くの責務があり、オブジェクト指向プログラミング設計の低結合性と高い結合性原則に違反している。 本稿では,より特定の責任を持つ複数の小さなクラスに神クラスを抽出するための自動的アプローチを提案する。 これを実現するために、まず、関係する神クラスのためのメソッド(ノード)のグラフを構築する。 それぞれのメソッド間のエッジは構造的類似性によって決定され、各メソッドの特徴は異なる意味表現法を用いて初期化される。 次に、変分グラフオートエンコーダを用いて、各メソッドのベクトル表現を学習する。 最後に、学習されたベクターは、メソッドを異なるグループに分類し、リファクタリングされたクラスとして推奨する。 2つの有名なオープンソースシステムから収集した16の実際の神クラス上で,3つの異なるクラス凝集指標を用いて,提案フレームワークを評価した。 また,既存の手法と類似したアプローチの比較研究を行い,提案手法が実験で使用した神学のほとんどすべてにより良い結果をもたらしたことを確認した。

関連論文リスト

• Sifting through the Chaff: On Utilizing Execution Feedback for Ranking the Generated Code Candidates [46.74037090843497]
  大規模言語モデル(LLM)は、自然言語記述に基づいたコードの自動生成によって、開発者がプログラミングにアプローチする方法を変えつつある。 本稿では,実行フィードバックを活用するコードランキングの革新的なアプローチである RankEF について述べる。 3つのコード生成ベンチマークの実験では、RanEFが最先端のCodeRankerよりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-08-26T01:48:57Z)
• Decomposing God Header File via Multi-View Graph Clustering [3.80760325029714]
  God Header Fileは、大きなコードサイズと大きなファイルインパクトを持つヘッダファイルを指す。 本稿では,マルチビューグラフクラスタリングに基づくGod Header Fileアプローチを提案する。 我々は、異なるプロジェクトから6つの現実世界のゴッドヘッダファイルとともに、合成データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2024-06-24T09:52:20Z)
• Accurate Explanation Model for Image Classifiers using Class Association Embedding [5.378105759529487]
  本稿では,グローバルな知識とローカルな知識の利点を組み合わせた生成的説明モデルを提案する。 クラスアソシエーション埋め込み(CAE)は、各サンプルを1組のクラス関連コードと個別コードにエンコードする。 クラス関連特徴を個々の特徴から効率的に分離するビルディングブロック・コヒーレンシー特徴抽出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-12T07:41:00Z)
• Multi-Label Knowledge Distillation [86.03990467785312]
  本稿では,新しい多ラベル知識蒸留法を提案する。 一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。 一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
  論文  参考訳（メタデータ） (2023-08-12T03:19:08Z)
• Enhancing Classification with Hierarchical Scalable Query on Fusion Transformer [0.4129225533930965]
  本稿では,学習可能な独立クエリ埋め込みによる階層的手法により,きめ細かい分類を向上する手法を提案する。 階層構造の概念を利用して、あらゆるレベルにわたってスケーラブルなクエリの埋め込みを学びます。 本手法は, 細粒度分類において, 従来の手法よりも11%の精度で性能を向上できる。
  論文  参考訳（メタデータ） (2023-02-28T11:00:55Z)
• Class-Incremental Learning: A Survey [84.30083092434938]
  CIL(Class-Incremental Learning)は、学習者が新しいクラスの知識を段階的に取り入れることを可能にする。 CILは、前者の特徴を壊滅的に忘れる傾向にあり、その性能は劇的に低下する。 ベンチマーク画像分類タスクにおける17の手法の厳密で統一的な評価を行い、異なるアルゴリズムの特徴を明らかにする。
  論文  参考訳（メタデータ） (2023-02-07T17:59:05Z)
• Bi-directional Feature Reconstruction Network for Fine-Grained Few-Shot Image Classification [61.411869453639845]
  クラス間およびクラス内変動を同時に対応できるバイコンストラクション機構を導入する。 この設計は、モデルがより微妙で差別的な特徴を探索するのに役立つ。 広範に使用されている3つのきめ細かな画像分類データセットに対する実験結果は、一貫して大幅に改善されている。
  論文  参考訳（メタデータ） (2022-11-30T16:55:14Z)
• GistNet: a Geometric Structure Transfer Network for Long-Tailed Recognition [95.93760490301395]
  長い尾の認識は、クラスごとのサンプル数が非常にアンバランスである問題です。 GistNetは、クラスジオメトリをエンコードするために分類パラメータのコンステレーションを使用して、この目標をサポートするように提案されている。 新しい学習アルゴリズムがGeometrIc Structure Transfer (GIST) に提案され、クラスバランスとランダムサンプリングを組み合わせた損失関数の組み合わせにより、一般的なクラスに過度に適合することは幾何パラメータに制限されるが、人気クラスから少数ショットクラスへのクラス幾何学の転送に利用される。
  論文  参考訳（メタデータ） (2021-05-01T00:37:42Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Searching towards Class-Aware Generators for Conditional Generative Adversarial Networks [132.29772160843825]
  条件付き生成逆数ネットワーク(cGAN)は,その条件に基づいて画像を生成するように設計されている。 既存のメソッドは、すべてのクラスで同じ生成アーキテクチャを使っている。 本稿では,各クラスごとに異なるアーキテクチャを見つけるためにNASを採用する新しいアイデアを提案する。
  論文  参考訳（メタデータ） (2020-06-25T07:05:28Z)

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。