論文の概要: Heterogeneous Graph Neural Networks for Software Effort Estimation
- arxiv url: http://arxiv.org/abs/2206.11023v1
- Date: Wed, 22 Jun 2022 12:46:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 21:33:47.539392
- Title: Heterogeneous Graph Neural Networks for Software Effort Estimation
- Title（参考訳）: ソフトウェアエフォート推定のための不均一グラフニューラルネットワーク
- Authors: Hung Phan and Ali Jannesari
- Abstract要約: ストーリーポイントを自動的に推定する現在のアプローチは、事前学習された埋め込みモデルの適用と、テキスト回帰のためのディープラーニングに焦点を当てている。
アジャイルソフトウェアプロジェクトの問題のテキスト入力からストーリーポイントを推定するツールであるHeteroSPを提案する。
- 参考スコア（独自算出の注目度）: 2.652428960991066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software effort can be measured by story point [35]. Current approaches for
automatically estimating story points focus on applying pre-trained embedding
models and deep learning for text regression to solve this problem which
required expensive embedding models. We propose HeteroSP, a tool for estimating
story points from textual input of Agile software project issues. We select
GPT2SP [12] and Deep-SE [8] as the baselines for comparison. First, from the
analysis of the story point dataset [8], we conclude that software issues are
actually a mixture of natural language sentences with quoted code snippets and
have problems related to large-size vocabulary. Second, we provide a module to
normalize the input text including words and code tokens of the software
issues. Third, we design an algorithm to convert an input software issue to a
graph with different types of nodes and edges. Fourth, we construct a
heterogeneous graph neural networks model with the support of fastText [6] for
constructing initial node embedding to learn and predict the story points of
new issues. We did the comparison over three scenarios of estimation, including
within project, cross-project within the repository, and cross-project cross
repository with our baseline approaches. We achieve the average Mean Absolute
Error (MAE) as 2.38, 2.61, and 2.63 for three scenarios. We outperform GPT2SP
in 2/3 of the scenarios while outperforming Deep-SE in the most challenging
scenario with significantly less amount of running time. We also compare our
approaches with different homogeneous graph neural network models and the
results show that the heterogeneous graph neural networks model outperforms the
homogeneous models in story point estimation. For time performance, we achieve
about 570 seconds as the time performance in both three processes: node
embedding initialization, model construction, and story point estimation.
- Abstract（参考訳）: ソフトウェアの取り組みはストーリーポイント[35]で測定できる。
ストーリーポイントを自動的に見積もる現在のアプローチは、トレーニング済みの埋め込みモデルとテキスト回帰のためのディープラーニングを適用して、高価な埋め込みモデルを必要とする問題を解決することに焦点を当てている。
我々は,アジャイルソフトウェアプロジェクトのテキスト入力からストーリーポイントを推定するツールであるherespを提案する。
GPT2SP[12]とDeep-SE[8]を比較基準として選択する。
まず、ストーリーポイントデータセット [8]の分析から、ソフトウェアの問題は、実際には自然言語文と引用されたコードスニペットの混合であり、大きな語彙に関連する問題があると結論づける。
第2に,ソフトウェア問題の単語やコードトークンを含む入力テキストを正規化するモジュールを提供する。
第3に、入力ソフトウェアの問題を異なる種類のノードとエッジを持つグラフに変換するアルゴリズムを設計する。
第4に、新しい問題のストーリーポイントを学習し予測するために、初期ノード埋め込みを構築するためのfastText [6]をサポートした異種グラフニューラルネットワークモデルを構築した。
プロジェクト内、リポジトリ内のクロスプロジェクト、ベースラインアプローチによるクロスプロジェクトリポジトリなど、見積もりのシナリオを3つ比較しました。
我々は平均平均絶対誤差を3つのシナリオで2.38,2.61,2.63とする。
GPT2SPを2/3のシナリオで上回り、Deep-SEをはるかに少ないランニング時間で上回り、最も難しいシナリオで上回りました。
また,提案手法を異なる均質グラフニューラルネットワークモデルと比較し,不均質グラフニューラルネットワークモデルがストーリーポイント推定において均質モデルを上回ることを示した。
時間的性能については,ノード埋め込み初期化,モデル構築,ストーリーポイント推定という3つのプロセスの時間的性能として約570秒を達成している。
関連論文リスト
- Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines [74.42485647685272]
GMLM(Generative Masked Language Models)に焦点を当てる。
我々は,マルコフ連鎖の入力として使用されるマスキングにより,データ分布の条件付き確率に適合するモデルを訓練し,モデルからサンプルを抽出する。
我々は,T5モデルを並列デコーディングに適応させ,最小品質の犠牲を伴って機械翻訳における2～3倍の高速化を実現した。
論文 参考訳（メタデータ） (2024-07-22T18:00:00Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳（メタデータ） (2023-07-27T03:42:12Z) - Networked Time Series Imputation via Position-aware Graph Enhanced
Variational Autoencoders [31.953958053709805]
我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。
実験の結果,ベースライン上でのモデルの有効性が示された。
論文 参考訳（メタデータ） (2023-05-29T21:11:34Z) - Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。
提案手法は,複数のMOTデータセット上での最先端性能を実現する。
画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文 参考訳（メタデータ） (2023-03-27T17:39:00Z) - Revisit the Algorithm Selection Problem for TSP with Spatial Information
Enhanced Graph Neural Networks [4.084365114504618]
本稿では,ユークリッド旅行セールスマン問題(TSP)のアルゴリズム選択問題を再検討する。
我々はGINESと呼ばれる新しいグラフニューラルネットワーク(GNN)を提案する。
GINESは都市の座標と都市間の距離を入力として取ります。
これは、1つのデータセットにおける従来の手作りの機能ベースのアプローチよりも優れている。
論文 参考訳（メタデータ） (2023-02-08T13:14:20Z) - SCOOP: Self-Supervised Correspondence and Optimization-Based Scene Flow [25.577386156273256]
シーンフロー推定は、連続した観察からシーンの3次元運動を見つけることを目的として、コンピュータビジョンにおける長年の課題である。
そこで本研究では,少量のデータから学習可能なシーンフロー推定手法であるSCOOPについて紹介する。
論文 参考訳（メタデータ） (2022-11-25T10:52:02Z) - Towards Better Out-of-Distribution Generalization of Neural Algorithmic
Reasoning Tasks [51.8723187709964]
ニューラルネットワーク推論タスクのOOD一般化について検討する。
目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
論文 参考訳（メタデータ） (2022-11-01T18:33:20Z) - Story Point Effort Estimation by Text Level Graph Neural Network [2.652428960991066]
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。
論文 参考訳（メタデータ） (2022-03-06T22:15:03Z) - A Novel Hand Gesture Detection and Recognition system based on
ensemble-based Convolutional Neural Network [3.5665681694253903]
コンピュータビジョンとパターン認識コミュニティでは,手の部分検出が課題となっている。
畳み込みニューラルネットワーク(CNN)アーキテクチャのようなディープラーニングアルゴリズムは、分類タスクにおいて非常に一般的な選択肢となっている。
本稿では,CNNに基づくアプローチのアンサンブルを用いて,予測時の高分散や過度な問題,予測誤差などの問題を克服する。
論文 参考訳（メタデータ） (2022-02-25T06:46:58Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - Learning multiview 3D point cloud registration [74.39499501822682]
本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。
このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
論文 参考訳（メタデータ） (2020-01-15T03:42:14Z)
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。