論文の概要: On the Identification of the Energy related Issues from the App Reviews
- arxiv url: http://arxiv.org/abs/2304.11292v1
- Date: Sat, 22 Apr 2023 01:54:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 19:26:36.672432
- Title: On the Identification of the Energy related Issues from the App Reviews
- Title（参考訳）: アプリレビューにおけるエネルギー関連課題の特定について
- Authors: Noshin Nawal
- Abstract要約: アプリのエネルギ非効率性は、App Storeで広く議論されているアプリユーザーにとって大きな問題となる可能性がある。
これまでの研究では、エネルギー関連アプリのレビューを調査して、エネルギー関連ユーザのフィードバックの主要な原因やカテゴリを特定することが重要であった。
本研究では,エネルギー関連ユーザのフィードバックを自動的に抽出する様々な手法を実証的に研究する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The energy inefficiency of the apps can be a major issue for the app users
which is discussed on App Stores extensively. Previous research has shown the
importance of investigating the energy related app reviews to identify the
major causes or categories of energy related user feedback. However, there is
no study that efficiently extracts the energy related app reviews
automatically. In this paper, we empirically study different techniques for
automatic extraction of the energy related user feedback. We compare the
accuracy, F1-score and run time of numerous machine-learning models with
relevant feature combinations and relatively modern Neural Network-based
models. In total, 60 machine learning models are compared to 30 models that we
build using six neural network architectures and three word embedding models.
We develop a visualization tool for this study through which a developer can
traverse through this large-scale result set. The results show that neural
networks outperform the other machine learning techniques and can achieve the
highest F1-score of 0.935. To replicate the research results, we have open
sourced the interactive visualization tool. After identifying the best results
and extracting the energy related reviews, we further compare various
techniques to help the developers automatically investigate the emerging issues
that might be responsible for energy inefficiency of the apps. We experiment
the previously used string matching with results obtained from applying two of
the state-of-the-art topic modeling algorithms, OBTM and AOLDA. Finally, we run
a qualitative study performed in collaboration with developers and students
from different institutions to determine their preferences for identifying
necessary topics from previously categorized reviews, which shows OBTM produces
the most helpful results.
- Abstract（参考訳）: アプリのエネルギ非効率性は、App Storeで広く議論されているアプリユーザーにとって大きな問題となる可能性がある。
これまでの研究では、エネルギー関連アプリのレビューを調査して、エネルギー関連ユーザのフィードバックの主要な原因やカテゴリを特定することが重要であった。
しかし、エネルギー関連アプリのレビューを自動的に抽出する研究は行われていない。
本稿では,エネルギー関連ユーザのフィードバックを自動的に抽出する様々な手法を実証的に研究する。
本研究では,複数の機械学習モデルの精度,f1スコア,実行時間と,関連する特徴の組み合わせ,比較的現代的なニューラルネットワークモデルを比較した。
合計60の機械学習モデルは、6つのニューラルネットワークアーキテクチャと3つのワード埋め込みモデルを使用して構築する30モデルと比較される。
本研究では,この大規模結果集合を開発者が移動可能な可視化ツールを開発した。
その結果,ニューラルネットワークは他の機械学習技術よりも優れており,F1スコアが0.935であることがわかった。
研究結果を再現するため,インタラクティブな可視化ツールをオープンソース化した。
最高の結果を特定し、エネルギー関連のレビューを抽出した後、開発者はアプリケーションのエネルギー非効率に責任を持つ可能性のある新興問題を自動的に調査するために、さまざまなテクニックを比較します。
従来使用されていた文字列マッチングを,最先端トピックモデリングアルゴリズムであるOBTMとAOLDAの2つを用いて実験した。
最後に、様々な機関の開発者や学生と共同で行われた質的研究を行い、これまで分類されたレビューから必要なトピックを特定するための好みを決定する。
関連論文リスト
- On the Role of Activation Functions in EEG-To-Text Decoder [5.4141465747474475]
脳波を用いてテキストを生成する最初の試みの本来の性能を改善することを試みる。
モデルアーキテクチャを変更することなく,高次アクティベーション関数の導入によりモデル性能が向上することを示す。
また,学習可能な3次アクティベーション関数は,学習可能な3次アクティベーション関数よりも1-gram評価が優れていることを示す。
論文 参考訳（メタデータ） (2024-10-16T13:50:04Z) - New Approach for an Affective Computing-Driven Quality of Experience
(QoE) Prediction [0.0]
本稿では,感情型コンピュータ駆動のQuality of Experience(QoE)予測の新しいモデルを提案する。
The best results were obtained with a LSTM based model, presented a F1-score from 68% to 78%。
論文 参考訳（メタデータ） (2023-11-05T13:21:07Z) - Unveiling Energy Efficiency in Deep Learning: Measurement, Prediction, and Scoring across Edge Devices [8.140572894424208]
我々はエネルギー測定、予測、効率評価を含む3倍の研究を行う。
まず、デバイス上での深層学習のエネルギー消費特性を明らかにするための、第1級の詳細な測定結果を示す。
第2に、カーネルレベルのエネルギーデータセットに基づいて、エッジデバイスのための最初のカーネルレベルのエネルギー予測器を設計、実装する。
論文 参考訳（メタデータ） (2023-10-19T23:55:00Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。
自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
論文 参考訳（メタデータ） (2022-07-27T07:46:23Z) - An Empirical Investigation of Commonsense Self-Supervision with
Knowledge Graphs [67.23285413610243]
大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。
本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
論文 参考訳（メタデータ） (2022-05-21T19:49:04Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2020-11-10T19:31:29Z) - ReviewViz: Assisting Developers Perform Empirical Study on Energy
Consumption Related Reviews for Mobile Applications [2.1320960069210484]
本研究では,機械学習アルゴリズムとテキスト機能を用いて,エネルギー消費別レビューを自動的に識別する。
開発者がレビューで議論される主要なトピックを抽出するのを助けるために、アートトピックモデリングアルゴリズムの2つの状態が適用される。
Webブラウザベースのインタラクティブな視覚化ツールの開発は、アプリ開発者に洞察を与える目的で開発された新しいフレームワークである。
論文 参考訳（メタデータ） (2020-09-13T15:47:46Z) - Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring
Systems [64.4896118325552]
モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。
AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
論文 参考訳（メタデータ） (2020-07-14T03:49:43Z) - Performance Analysis and Comparison of Machine and Deep Learning
Algorithms for IoT Data Classification [0.0]
本稿では,6つのIoT関連データセットを用いた分類タスクにおいて,11の一般的な機械学習アルゴリズムとディープラーニングアルゴリズムの性能評価を行う。
すべてのパフォーマンス指標を考慮すると、Random Forestsは他の機械学習モデルよりも優れており、ディープラーニングモデルのうち、ANNとCNNはより興味深い結果を得た。
論文 参考訳（メタデータ） (2020-01-27T09:14:11Z)
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。