論文の概要: TIPICAL -- Type Inference for Python In Critical Accuracy Level

• arxiv url: http://arxiv.org/abs/2308.02675v1
• Date: Fri, 4 Aug 2023 19:16:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 15:22:24.861053
• Title: TIPICAL -- Type Inference for Python In Critical Accuracy Level
• Title（参考訳）: 臨界精度レベルにおけるpythonのティピカル --型推論
• Authors: Jonathan Elkobi, Bernd Gruner, Tim Sonnekalb, Clemens-Alexander Brust
• Abstract要約: TIPICALは、深い類似性学習と新規性検出を組み合わせた手法である。 本研究では,未知のデータ型と不正確なデータ型を抽出し,高い信頼度でデータ型を予測できることを示す。
• 参考スコア（独自算出の注目度）: 1.1666234644810896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Type inference methods based on deep learning are becoming increasingly popular as they aim to compensate for the drawbacks of static and dynamic analysis approaches, such as high uncertainty. However, their practical application is still debatable due to several intrinsic issues such as code from different software domains will involve data types that are unknown to the type inference system. In order to overcome these problems and gain high-confidence predictions, we thus present TIPICAL, a method that combines deep similarity learning with novelty detection. We show that our method can better predict data types in high confidence by successfully filtering out unknown and inaccurate predicted data types and achieving higher F1 scores to the state-of-the-art type inference method Type4Py. Additionally, we investigate how different software domains and data type frequencies may affect the results of our method.
• Abstract（参考訳）: 高不確実性などの静的および動的解析手法の欠点を補うことを目的として,ディープラーニングに基づく型推論手法が普及しつつある。 しかし、異なるソフトウェアドメインのコードのようないくつかの本質的な問題が、型推論システムに未知のデータ型を含むため、彼らの実用的応用はまだ議論の余地がある。 そこで我々は,これらの問題を克服し,高い信頼度予測を得るために,深層類似性学習と新規性検出を組み合わせたTIPICALを提案する。 本手法は,未知および不正確なデータ型をフィルタリングし,最先端の型推論手法type4pyに対して高いf1スコアを達成することで,高い信頼度でデータ型を予測できることを示す。 さらに,ソフトウェア領域とデータ型頻度の違いが,本手法の結果に与える影響について検討した。

関連論文リスト

• Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
  DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:36:31Z)
• Comprehensive Assessment of the Performance of Deep Learning Classifiers Reveals a Surprising Lack of Robustness [2.1320960069210484]
  本稿では,多種多様なデータを用いたベンチマーキング性能について論じる。 現在のディープニューラルネットワークは、最先端のロバスト性を生み出すと信じられている手法で訓練された者を含む、ある種のデータに間違いを犯すことに対して極めて脆弱であることが判明した。
  論文  参考訳（メタデータ） (2023-08-08T08:50:27Z)
• Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
  オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。 本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-21T09:07:15Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Cross-Domain Evaluation of a Deep Learning-Based Type Inference System [0.44098366957385177]
  本研究では,最先端のディープラーニング型推論システムとして,Type4Pyについて検討する。 クラス不均衡、語彙外単語、データセットシフト、未知クラスといった問題に対処する。 我々のデータセットは、ソフトウェアプロジェクトの異なる領域における型推論システムの評価を可能にする。
  論文  参考訳（メタデータ） (2022-08-19T07:28:31Z)
• Decorrelative Network Architecture for Robust Electrocardiogram Classification [4.808817930937323]
  すべてのシナリオで正確であるネットワークをトレーニングすることはできない。 深層学習法は不確実性を推定するためにモデルパラメータ空間をサンプリングする。 これらのパラメータは、しばしば、敵の攻撃によって悪用される、同じ脆弱性にさらされる。 本稿では,特徴デコレーションとフーリエ分割に基づく新たなアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T02:36:36Z)
• Evaluating Membership Inference Through Adversarial Robustness [6.983991370116041]
  本稿では,敵の強靭性に基づくメンバシップ推論攻撃の強化手法を提案する。 提案手法をFashion-MNIST, CIFAR-10, CIFAR-100の3つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-05-14T06:48:47Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)
• Detecting unusual input to neural networks [0.48733623015338234]
  本研究では,学習パラメータと比較して情報内容を評価することによって,入力の特異性を判定する手法を提案する。 この手法は、ある入力を処理するのにネットワークが適しているかどうかを判断し、予期せぬ振る舞いが先延ばしになるような赤い旗を掲げるために使用することができる。
  論文  参考訳（メタデータ） (2020-06-15T10:48:43Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。