論文の概要: TaDeR: A New Task Dependency Recommendation for Project Management Platform

• arxiv url: http://arxiv.org/abs/2205.05976v1
• Date: Thu, 12 May 2022 09:30:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-13 14:22:02.145145
• Title: TaDeR: A New Task Dependency Recommendation for Project Management Platform
• Title（参考訳）: tader: プロジェクト管理プラットフォームのための新しいタスク依存性推奨
• Authors: Quynh Nguyen, Dac H. Nguyen, Son T. Huynh, Hoa K. Dam, Binh T. Nguyen
• Abstract要約: 本稿では,ユーザが作成したタスクに依存するタスクを提案するために,効率的なタスク依存推薦アルゴリズムを提案する。 この目的のために、効率的な機能エンジニアリングのステップを示し、ディープニューラルネットワークを構築します。
• 参考スコア（独自算出の注目度）: 8.093450284837559
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many startups and companies worldwide have been using project management software and tools to monitor, track and manage their projects. For software projects, the number of tasks from the beginning to the end is quite a large number that sometimes takes a lot of time and effort to search and link the current task to a group of previous ones for further references. This paper proposes an efficient task dependency recommendation algorithm to suggest tasks dependent on a given task that the user has just created. We present an efficient feature engineering step and construct a deep neural network to this aim. We performed extensive experiments on two different large projects (MDLSITE from moodle.org and FLUME from apache.org) to find the best features in 28 combinations of features and the best performance model using two embedding methods (GloVe and FastText). We consider three types of models (GRU, CNN, LSTM) using Accuracy@K, MRR@K, and Recall@K (where K = 1, 2, 3, and 5) and baseline models using traditional methods: TF-IDF with various matching score calculating such as cosine similarity, Euclidean distance, Manhattan distance, and Chebyshev distance. After many experiments, the GloVe Embedding and CNN model reached the best result in our dataset, so we chose this model as our proposed method. In addition, adding the time filter in the post-processing step can significantly improve the recommendation system's performance. The experimental results show that our proposed method can reach 0.2335 in Accuracy@1 and MRR@1 and 0.2011 in Recall@1 of dataset FLUME. With the MDLSITE dataset, we obtained 0.1258 in Accuracy@1 and MRR@1 and 0.1141 in Recall@1. In the top 5, our model reached 0.3040 in Accuracy@5, 0.2563 MRR@5, and 0.2651 Recall@5 in FLUME. In the MDLSITE dataset, our model got 0.5270 Accuracy@5, 0.2689 MRR@5, and 0.2651 Recall@5.
• Abstract（参考訳）: 世界中のスタートアップや企業はプロジェクト管理ソフトウェアやツールを使ってプロジェクトを監視し、追跡し、管理している。 ソフトウェアプロジェクトでは、開始から終了までのタスク数がかなり多いため、現在のタスクを以前のタスクのグループに検索しリンクするのに多くの時間と労力がかかり、さらなる参照が必要になります。 本稿では,ユーザが作成したタスクに依存するタスクを提案できる効率的なタスク依存性推薦アルゴリズムを提案する。 この目的のために,効率的な機能エンジニアリングステップを示し,ディープニューラルネットワークを構築する。 2つの異なる大規模プロジェクト (momele.org の mdlsite と apache.org の flume) で、機能の組み合わせ 28 で最高の機能と、2 つの埋め込みメソッド (glove と fasttext) を使った最高のパフォーマンスモデルを見つけるために、広範囲な実験を行いました。 精度@k, mrr@k, recall@k (k = 1, 2, 3, 5) を用いた3種類のモデル (gru, cnn, lstm) と,コサイン類似度,ユークリッド距離,マンハッタン距離,チェビシェフ距離など,様々なマッチングスコア計算を行うtf-idf を基本モデルとして検討した。 多くの実験の後、グラブ埋め込みとcnnモデルはデータセットで最高の結果に達したので、提案手法としてこのモデルを選択しました。 さらに、後処理ステップにタイムフィルタを追加することで、レコメンデーションシステムの性能が大幅に向上する。 実験の結果,提案手法は精度@1では0.2335,データセットflumeではmr@1,リコール@1で0.2011に達することがわかった。 mdlsiteデータセットでは、精度@1では 0.1258、recall@1では mrr@1 と 0.1141 が得られた。 トップ5では、私たちのモデルは Accuracy@5で0.3040、FLUMEで0.2563 MRR@5、0.2651 Recall@5に達しました。 MDLSITEデータセットでは,0.5270 Accuracy@5,0.2689 MRR@5,0.2651 Recall@5が得られた。

関連論文リスト

• Multi-Objective Neural Architecture Search by Learning Search Space Partitions [8.4553113915588]
  ニューラルアーキテクチャ探索(NAS)タスクにLaMOOと呼ばれる新しいメタアルゴリズムを実装した。 LaMOOは、観測されたサンプルからモデルを学び、検索空間を分割し、将来性のある領域に集中することによって、検索プロセスを高速化する。 現実世界のタスクでは、LaMOOの精度は97.36%、CIFAR10の#Paramsはわずか600のサンプルで1.62万である。
  論文  参考訳（メタデータ） (2024-06-01T03:51:34Z)
• Foundation Models for Structural Health Monitoring [17.37816294594306]
  本稿では,トランスフォーマーニューラルネットワークをMasked Auto-Encoderアーキテクチャを用いて,構造的健康モニタリングのための基礎モデルとして初めて利用することを提案する。 自己教師付き事前学習を通じて、複数の大規模データセットから一般化可能な表現を学習する能力を実証する。 本研究は,3つの運用用インダクトのデータを用いた基礎モデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-04-03T13:32:44Z)
• DsDm: Model-Aware Dataset Selection with Datamodels [81.01744199870043]
  標準的なプラクティスは、データ品質という人間の考え方にマッチする例をフィルタリングすることです。 質の高い"データソースとの類似性に応じた選択は、ランダムに選択するデータに比べてパフォーマンスが向上しない(さらに傷つく)可能性がある。 我々のフレームワークは、データ品質に関する手作業による概念を回避し、学習プロセスがターゲットタスクの予測にデータポイントをトレーニングする方法を明確にモデル化する。
  論文  参考訳（メタデータ） (2024-01-23T17:22:00Z)
• MLLM-DataEngine: An Iterative Refinement Approach for MLLM [62.30753425449056]
  本稿では,データ生成,モデルトレーニング,評価を橋渡しする新しいクローズドループシステムを提案する。 各ループ内で、MLLM-DataEngineはまず評価結果に基づいてモデルの弱点を分析する。 ターゲットとして,異なる種類のデータの比率を調整する適応型バッドケースサンプリングモジュールを提案する。 品質については、GPT-4を用いて、各データタイプで高品質なデータを生成する。
  論文  参考訳（メタデータ） (2023-08-25T01:41:04Z)
• Parameter-efficient Tuning of Large-scale Multimodal Foundation Model [68.24510810095802]
  我々はこれらの課題を克服するために、クロスモーダル転送(Aurora)のための優雅なプロンプトフレームワークを提案する。 既存のアーキテクチャの冗長性を考慮すると、まずモード近似を用いて0.1Mのトレーニング可能なパラメータを生成し、マルチモーダルプロンプトチューニングを実装する。 6つのクロスモーダルベンチマークの徹底的な評価は、最先端のベンチマークを上回るだけでなく、完全な微調整アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-15T06:40:56Z)
• Simplex Autoencoders [1.3960152426268768]
  本稿では,オートエンコーダの潜伏空間を単純な表現としてモデル化し,混合モデルの成分数を決定する新しい手法を提案する。 合成データセットに対する我々のアプローチを評価し,その性能を3つのベンチマークデータセットで実証する。
  論文  参考訳（メタデータ） (2023-01-16T15:57:03Z)
• Model Composition: Can Multiple Neural Networks Be Combined into a Single Network Using Only Unlabeled Data? [6.0945220518329855]
  本稿では,ラベルなしデータを用いた複数のトレーニングニューラルネットワークの組み合わせについて検討する。 提案手法は, ラベルのないデータから収集した疑似ラベルの生成, フィルタリング, 集約を利用する。 本手法は任意のアーキテクチャとカテゴリを持つ任意の入力モデルの使用をサポートする。
  論文  参考訳（メタデータ） (2021-10-20T04:17:25Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)
• 2nd Place Scheme on Action Recognition Track of ECCV 2020 VIPriors Challenges: An Efficient Optical Flow Stream Guided Framework [57.847010327319964]
  我々は、小さなデータセットでモデルをスクラッチからトレーニングできるデータ効率フレームワークを提案する。 具体的には、3D中心差分畳み込み演算を導入することで、新しいC3Dニューラルネットワークベースの2ストリームフレームワークを提案する。 提案手法は,大規模データセット上で事前学習したモデルがなくても,有望な結果が得られることを実証した。
  論文  参考訳（メタデータ） (2020-08-10T09:50:28Z)
• Parameter-Efficient Transfer from Sequential Behaviors for User Modeling and Recommendation [111.44445634272235]
  本稿では,PeterRecと呼ばれるパラメータ効率のよい移動学習アーキテクチャを提案する。 PeterRecは、トレーニング済みのパラメータを、一連の再学習ニューラルネットワークを注入することで、微調整中に修正されないようにする。 我々は5つの下流タスクにおいて学習したユーザ表現の有効性を示すために、広範囲な実験的アブレーションを行う。
  論文  参考訳（メタデータ） (2020-01-13T14:09:54Z)

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。