Fugu-MT 論文翻訳(概要): SoK: Machine Learning for Continuous Integration

論文の概要: SoK: Machine Learning for Continuous Integration

arxiv url: http://arxiv.org/abs/2304.02829v1
Date: Thu, 6 Apr 2023 02:34:07 GMT
ステータス: 処理完了
システム内更新日: 2023-04-07 15:33:35.893135
Title: SoK: Machine Learning for Continuous Integration
Title（参考訳）: SoK: 継続的統合のための機械学習
Authors: Ali Kazemi Arani, Mansooreh Zahedi, Triet Huynh Minh Le, Muhammad Ali Babar
Abstract要約: 継続的インテグレーション(CI)は、ソフトウェア開発中にコード変更を自動かつ継続的に統合するための、十分に確立されたプラクティスになっています。 CIフェーズの自動化のための機械学習(ML)ベースのアプローチの数が増えていることが文献で報告されている。
参考スコア（独自算出の注目度）: 7.180264400668846
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Continuous Integration (CI) has become a well-established software development practice for automatically and continuously integrating code changes during software development. An increasing number of Machine Learning (ML) based approaches for automation of CI phases are being reported in the literature. It is timely and relevant to provide a Systemization of Knowledge (SoK) of ML-based approaches for CI phases. This paper reports an SoK of different aspects of the use of ML for CI. Our systematic analysis also highlights the deficiencies of the existing ML-based solutions that can be improved for advancing the state-of-the-art.
Abstract（参考訳）: 継続的インテグレーション(ci)は、ソフトウェア開発中にコード変更を自動的かつ継続的に統合するための、確立されたソフトウェア開発プラクティスになっています。 CIフェーズの自動化のための機械学習(ML)ベースのアプローチの数が増えていることが文献で報告されている。 CIフェーズのためのMLベースのアプローチの体系化(SoK)を提供することは、タイムリーかつ関連性があります。本稿では、CIにおけるMLの利用の異なる側面のSoKについて報告する。我々の系統分析は、最先端の進歩のために改善できる既存のMLベースのソリューションの欠陥も強調している。

関連論文リスト

Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
論文参考訳（メタデータ） (2024-06-05T15:05:24Z)
Naming the Pain in Machine Learning-Enabled Systems Engineering [8.092979562919878]
機械学習(ML)対応システムは、企業によってますます採用されている。本稿では,ML対応システムの現状を概観する。
論文参考訳（メタデータ） (2024-05-20T06:59:20Z)
SWITCH: An Exemplar for Evaluating Self-Adaptive ML-Enabled Systems [1.2277343096128712]
QoS(Quality of Service)の維持にはMLS(Machine Learning-Enabled Systems)が不可欠である機械学習モデルバランサ(Machine Learning Model Balancer)は、動的MLモデルの切り替えを容易にすることで、これらの不確実性に対処する概念である。本稿では,このようなシステムにおける自己適応能力を高めるために開発されたSWITCHを紹介する。
論文参考訳（メタデータ） (2024-02-09T11:56:44Z)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
Towards Self-Adaptive Machine Learning-Enabled Systems Through QoS-Aware Model Switching [1.2277343096128712]
本稿では,機械学習モデルバランサの概念を提案し,複数のモデルを用いてMLモデルに関連する不確実性を管理する。 AdaMLSは、この概念を活用し、従来のMAPE-Kループを拡張した新しい自己適応手法である。予備的な結果は、AdaMLSが保証において、単純で単一の最先端モデルを上回ることを示唆している。
論文参考訳（メタデータ） (2023-08-19T09:33:51Z)
MDE for Machine Learning-Enabled Software Systems: A Case Study and Comparison of MontiAnna & ML-Quadrat [5.839906946900443]
我々は,モノのインターネット(IoT)分野に着目した機械学習対応ソフトウェアシステムの開発に,MDEパラダイムを採用することを提案する。ケーススタディで実証されたように、最先端のオープンソースモデリングツールであるMontiAnnaとML-Quadratが、この目的のためにどのように使用できるかを説明します。
論文参考訳（メタデータ） (2022-09-15T13:21:16Z)
Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
論文参考訳（メタデータ） (2021-06-09T05:56:42Z)
Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文参考訳（メタデータ） (2021-01-11T15:54:48Z)
AutonoML: Towards an Integrated Framework for Autonomous Machine Learning [9.356870107137095]
Reviewは、自動化された自動MLシステムを構成するものに関して、より広範な視点を動機付けようとしている。その上で、以下の研究領域の開発状況を調査します。我々は、各トピックによって拡張されたレビューを通して概念的枠組みを開発し、高レベルなメカニズムを自律mlシステムに融合する方法を1つ紹介する。
論文参考訳（メタデータ） (2020-12-23T11:01:10Z)
Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文参考訳（メタデータ） (2020-06-21T17:14:34Z)
Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文参考訳（メタデータ） (2020-05-27T11:56:56Z)

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。