論文の概要: Zero-Shot Learning for Requirements Classification: An Exploratory Study
- arxiv url: http://arxiv.org/abs/2302.04723v1
- Date: Thu, 9 Feb 2023 16:05:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 15:27:18.931100
- Title: Zero-Shot Learning for Requirements Classification: An Exploratory Study
- Title（参考訳）: 要求分類のためのゼロショット学習:探索的研究
- Authors: Waad Alhoshan, Alessio Ferrari, Liping Zhao
- Abstract要約: 要件工学(RE)研究者は、さまざまなREタスクに対して機械学習(ML)とディープラーニング(DL)アプローチを実験している。
今日のML-DLアプローチのほとんどは、教師付き学習技術に基づいており、アノテーション付きデータセットを使用してトレーニングする必要がある。
本稿では,ZSL (Unsupervised Zero-Shot Learning) 技術を用いて要求分類を行う手法を提案する。
- 参考スコア（独自算出の注目度）: 6.855054517723465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context and motivation: Requirements Engineering (RE) researchers have been
experimenting Machine Learning (ML) and Deep Learning (DL) approaches for a
range of RE tasks, such as requirements classification, requirements tracing,
ambiguity detection, and modelling. Question-problem: Most of today's ML-DL
approaches are based on supervised learning techniques, meaning that they need
to be trained using annotated datasets to learn how to assign a class label to
sample items from an application domain. This constraint poses an enormous
challenge to RE researchers, as the lack of annotated datasets makes it
difficult for them to fully exploit the benefit of advanced ML-DL technologies.
Principal ideas-results: To address this challenge, this paper proposes an
approach that employs the embedding-based unsupervised Zero-Shot Learning (ZSL)
technique to perform requirements classification. We focus on the
classification task because many RE tasks can be framed as classification
problems. In this study, we demonstrate our approach for three tasks. (1)
FR-NFR: classification functional requirements vs non-functional requirements;
(2) NFR: identification of NFR classes; (3) Security: classification of
security vs non-security requirements. The study shows that the ZSL approach
achieves an F1 score of 0.66 for the FR-NFR task. For the NFR task, the
approach yields F1 ~ 0.72-0.80, considering the most frequent classes. For the
Security task, F1 ~ 0.66. All of the aforementioned F1 scores are achieved with
zero-training efforts. Contribution: This study demonstrates the potential of
ZSL for requirements classification. An important implication is that it is
possible to have very little or no training data to perform multiple tasks. The
proposed approach thus contributes to the solution of the longstanding problem
of data shortage in RE.
- Abstract（参考訳）: コンテキストとモチベーション: 要件工学(RE)研究者は、要求分類、要求追跡、あいまいさ検出、モデリングなど、さまざまなREタスクに対して、機械学習(ML)とディープラーニング(DL)アプローチを実験してきた。
現在のML-DLアプローチのほとんどは、教師付き学習技術に基づいています。つまり、アノテーション付きデータセットを使用して、アプリケーションドメインのサンプルアイテムにクラスラベルを割り当てる方法を学ぶ必要があるのです。
この制約は、アノテーション付きデータセットの欠如によって、高度なML-DL技術のメリットを完全に活用することが難しくなるため、RE研究者にとって大きな課題となる。
本論文は,この課題に対処するために,ZSL (Unsupervised Zero-Shot Learning) 技術を用いて要求分類を行う手法を提案する。
多くのreタスクを分類問題としてフレーム化できるため,分類タスクに注目する。
本研究では,3つの課題に対するアプローチを実証する。
1) FR-NFR: 機能要件と非機能要件の分類(2) NFR: NFRクラスの識別(3) セキュリティ: セキュリティ要件と非セキュリティ要件の分類。
本研究はZSL法がFR-NFRタスクのF1スコア0.66を達成することを示した。
NFR タスクでは、最も頻繁なクラスを考慮して F1 ~ 0.72-0.80 が得られる。
セキュリティタスクでは、F1 ~ 0.66。
上記のF1スコアはすべて、ゼロトレーニングで達成される。
貢献: 本研究は要件分類におけるZSLの可能性を示す。
重要な意味は、複数のタスクを実行するためのトレーニングデータをほとんど、あるいは全く持たないことである。
提案手法は,REにおけるデータ不足の長年にわたる問題の解決に寄与する。
関連論文リスト
- Large Language Models for Document-Level Event-Argument Data Augmentation for Challenging Role Types [1.949927790632678]
イベント引数抽出(EAE)は非常に難しい情報抽出問題である。
既存の拡張手法は、様々な現実世界のEAEコンテキストに適していない。
文書レベルのAEサンプルを合成するための2つの新しいLCMベースのデータ拡張フレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-05T20:07:42Z) - Few-shot Class-incremental Learning: A Survey [16.729567512584822]
FSCIL(Few-shot Class-Incremental Learning)は機械学習(ML)においてユニークな課題を提示する
本稿は、FSCILの総合的かつ体系的なレビューを提供することを目的としている。
論文 参考訳（メタデータ） (2023-08-13T13:01:21Z) - Task formulation for Extracting Social Determinants of Health from
Clinical Narratives [0.0]
2022 n2c2 NLP Challengeは、臨床物語における健康の社会的決定要因の同定を提起した。
本稿では,この課題のために開発した3つのシステムについて述べるとともに,それぞれのシステムで使用される特徴的タスクの定式化について論じる。
論文 参考訳（メタデータ） (2023-01-26T20:00:54Z) - Task Residual for Tuning Vision-Language Models [69.22958802711017]
タスク残差調整(TaskRes)と呼ばれる視覚言語モデル(VLM)のための新しい効率的なチューニング手法を提案する。
TaskResは、トレーニング済みモデルの事前知識とターゲットタスクに関する新たな知識を明示的に分離する。
提案されたTaskResは単純だが有効であり、11のベンチマークデータセットで以前のメソッドよりも大幅に上回っている。
論文 参考訳（メタデータ） (2022-11-18T15:09:03Z) - The Role of Global Labels in Few-Shot Classification and How to Infer
Them [55.64429518100676]
メタ学習では、ほとんどショット学習が中心的な問題であり、学習者は新しいタスクに迅速に適応しなければならない。
本稿では,メタラベル学習(MeLa)を提案する。メタラベル学習(MeLa)は,グローバルラベルを推論し,標準分類によるロバストな少数ショットモデルを得る新しいアルゴリズムである。
論文 参考訳（メタデータ） (2021-08-09T14:07:46Z) - MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven
Reinforcement Learning [65.52675802289775]
本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。
正規化最大度(NML)分布の計算法を提案する。
得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
論文 参考訳（メタデータ） (2021-07-15T08:19:57Z) - Embedding Adaptation is Still Needed for Few-Shot Learning [25.4156194645678]
atgは、追加の人間知識なしにトレーニングおよびテストタスクセットを定義するための原則化されたクラスタリング手法である。
既存のベンチマークよりも容易で、相互に、あるいは難しいタスクセットを生成するためのATGの有効性を実証的に実証する。
グラデーションベースのメソッドは、転送が最も困難であるときに、メトリックベースのタスクを上回ることができます。
論文 参考訳（メタデータ） (2021-04-15T06:00:04Z) - CLeaR: An Adaptive Continual Learning Framework for Regression Tasks [2.043835539102076]
破滅的な忘れは、訓練されたニューラルネットワークモデルが、新しいタスクで再訓練されるときに、学習済みのタスクを徐々に忘れることを意味します。
多くの連続学習アルゴリズムは、分類タスクの漸進学習に非常に成功している。
本稿では,目標を予測し,継続学習によって自分自身を更新できる新しい方法論フレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-04T12:41:45Z) - Fine-grained Angular Contrastive Learning with Coarse Labels [72.80126601230447]
教師付きおよび自己監督型コントラスト前訓練を効果的に組み合わせることができる新しい「Angularの正規化」モジュールを紹介します。
この研究は、C2FS分類のこの新しい、挑戦的で、非常に実用的なトピックに関する将来の研究の道を開くのに役立ちます。
論文 参考訳（メタデータ） (2020-12-07T08:09:02Z) - Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。
少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。
これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
論文 参考訳（メタデータ） (2020-08-04T10:41:32Z) - TAFSSL: Task-Adaptive Feature Sub-Space Learning for few-shot
classification [50.358839666165764]
本稿では,タスク適応機能サブスペース学習(TAFSSL)により,Few-Shot Learningシナリオの性能を大幅に向上させることができることを示す。
具体的には、挑戦的な miniImageNet と tieredImageNet ベンチマークにおいて、TAFSSL はトランスダクティブおよび半教師付き FSL 設定の両方で現在の状態を改善することができることを示しています。
論文 参考訳（メタデータ） (2020-03-14T16:59:17Z)
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。