論文の概要: ResyDuo: Combining data models and CF-based recommender systems to
develop Arduino projects
- arxiv url: http://arxiv.org/abs/2308.13808v1
- Date: Sat, 26 Aug 2023 08:21:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 12:25:39.445319
- Title: ResyDuo: Combining data models and CF-based recommender systems to
develop Arduino projects
- Title（参考訳）: ResyDuo:データモデルとCFベースのレコメンデータシステムを組み合わせてArduinoプロジェクトを開発
- Authors: Juri Di Rocco and Claudio Di Sipio
- Abstract要約: 本稿では,Arduino開発者を支援するために,ResyDuoというプロトタイプを提案する。
ResyDuoは,ProjectHubリポジトリに格納されているタグや既存のArduinoプロジェクトを使用して,ハードウェアコンポーネントを検索する。
システムは最終的に、識別されたハードウェアデバイスに基づいて対応するソフトウェアライブラリを検索することができる。
- 参考スコア（独自算出の注目度）: 4.844354192596123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While specifying an IoT-based system, software developers have to face a set
of challenges, spanning from selecting the hardware components to writing the
actual source code. Even though dedicated development environments are in
place, a nonexpert user might struggle with the over-choice problem in
selecting the proper component. By combining MDE and recommender systems, this
paper proposes an initial prototype, called ResyDuo, to assist Arduino
developers by providing two different artifacts, i. e. , hardware components
and software libraries. In particular, we make use of a widely adopted
collaborative filtering algorithm by collecting relevant information by means
of a dedicated data model. ResyDuo can retrieve hardware components by using
tags or existing Arduino projects stored on the ProjectHub repository. Then,
the system can eventually retrieve corresponding software libraries based on
the identified hardware devices. ResyDuo is equipped with a web-based interface
that allows users to easily select and configure the under-developing Arduino
project. To assess ResyDuos performances, we run the ten-fold crossvalidation
by adopting the grid search strategy to optimize the hyperparameters of the
CF-based algorithm. The conducted evaluation shows encouraging results even
though there is still room for improvement in terms of the examined metrics.
- Abstract（参考訳）: iotベースのシステムを指定する場合、ソフトウェア開発者はハードウェアコンポーネントの選択から実際のソースコードの記述に至るまで、一連の課題に直面する必要がある。
専用の開発環境は存在するが、熟練していないユーザは、適切なコンポーネントを選択する際の過度な問題に悩む可能性がある。
本稿では,MDEとレコメンダシステムを組み合わせることで,Arduino開発者を支援するプロトタイプResyDuoを提案する。
e.
ハードウェアコンポーネントとソフトウェアライブラリ。
特に,専用データモデルを用いて関連情報を収集することにより,広く採用されている協調フィルタリングアルゴリズムを利用する。
ResyDuoは,ProjectHubリポジトリに格納されているタグや既存のArduinoプロジェクトを使用して,ハードウェアコンポーネントを取得することができる。
そして、同定されたハードウェアデバイスに基づいて、最終的に対応するソフトウェアライブラリを検索する。
ResyDuoにはWebベースのインタフェイスがあり、ユーザがその下開発中のArduinoプロジェクトを容易に選択して構成できる。
ResyDuosの性能を評価するために、CFアルゴリズムのハイパーパラメータを最適化するためにグリッド探索戦略を採用することで、10倍のクロスバリデーションを実行する。
評価の結果, 測定値の観点で改善の余地はあるものの, 有意な結果が得られた。
関連論文リスト
- SEART Data Hub: Streamlining Large-Scale Source Code Mining and Pre-Processing [13.717170962455526]
私たちはSEART Data HubというWebアプリケーションを紹介します。これは、公開GitHubリポジトリからマイニングされたコードを特徴とする大規模データセットを簡単に構築し、事前処理できるWebアプリケーションです。
簡単なWebインターフェースを通じて、研究者はマイニング基準と、実行したい特定の前処理ステップを指定できる。
リクエストを提出すると、ユーザは数時間以内に、必要なデータセットのダウンロードリンク付きのメールを受け取る。
論文 参考訳（メタデータ） (2024-09-27T11:42:19Z) - Designing and Implementing a Generator Framework for a SIMD Abstraction Library [53.84310825081338]
SIMD抽象化ライブラリを生成するための新しいエンドツーエンドフレームワークであるTSLGenを提案する。
私たちのフレームワークは既存のライブラリに匹敵するもので、同じパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-07-26T13:25:38Z) - CodeRAG-Bench: Can Retrieval Augment Code Generation? [78.37076502395699]
検索拡張生成を用いたコード生成の系統的,大規模な解析を行う。
まず、コード生成タスクの3つのカテゴリを含む総合的な評価ベンチマークであるCodeRAG-Benchをキュレートする。
CodeRAG-Bench上のトップパフォーマンスモデルについて、1つまたは複数のソースから検索したコンテキストを提供することにより検討する。
論文 参考訳（メタデータ） (2024-06-20T16:59:52Z) - DevBench: A Comprehensive Benchmark for Software Development [72.24266814625685]
DevBenchは、ソフトウェア開発ライフサイクルのさまざまな段階にわたる大規模言語モデル(LLM)を評価するベンチマークである。
GPT-4-Turboを含む現在のLLMは、DevBench内での課題の解決に失敗している。
本研究は,LLMを現実のプログラミングアプリケーションに展開する上で,現実的な知見を提供するものである。
論文 参考訳（メタデータ） (2024-03-13T15:13:44Z) - Multi-objective Differentiable Neural Architecture Search [58.67218773054753]
本研究では,パフォーマンスとハードウェアメトリクスのトレードオフのために,ユーザの好みを符号化するNASアルゴリズムを提案する。
提案手法は,既存のMOO NAS手法を,定性的に異なる検索空間やデータセットの広い範囲で性能良くする。
論文 参考訳（メタデータ） (2024-02-28T10:09:04Z) - CodeTF: One-stop Transformer Library for State-of-the-art Code LLM [72.1638273937025]
我々は、最先端のCode LLMとコードインテリジェンスのためのオープンソースのTransformerベースのライブラリであるCodeTFを紹介する。
我々のライブラリは、事前訓練されたコードLLMモデルと人気のあるコードベンチマークのコレクションをサポートします。
CodeTFが機械学習/生成AIとソフトウェア工学のギャップを埋められることを願っている。
論文 参考訳（メタデータ） (2023-05-31T05:24:48Z) - ProgSG: Cross-Modality Representation Learning for Programs in
Electronic Design Automation [38.023395256208055]
高レベル合成(HLS)により、開発者はCとC++のソフトウェアコード形式で高レベルな記述をコンパイルできる。
HLSツールは相変わらず、プラグマで表されるマイクロアーキテクチャの決定を必要とする。
本稿では,ソースコードシーケンスのモダリティとグラフのモダリティを深く,きめ細かな方法で相互に相互作用させることができるProgSGを提案する。
論文 参考訳（メタデータ） (2023-05-18T09:44:18Z) - Tevatron: An Efficient and Flexible Toolkit for Dense Retrieval [60.457378374671656]
Tevatronは、効率、柔軟性、コードの単純さに最適化された高密度な検索ツールキットである。
Tevatronのフレキシブルな設計は、データセット、モデルアーキテクチャ、アクセラレータプラットフォームをまたいで簡単に一般化できることを示す。
論文 参考訳（メタデータ） (2022-03-11T05:47:45Z) - Compiler Toolchains for Deep Learning Workloads on Embedded Platforms [2.5744053804694893]
フレームワーク固有のネットワーク表現を組み込みプラットフォームの実行可能なコードに変換する必要がある。
最初のセクションは、利用可能なオープンソースのディープラーニングコンパイラツールチェーンの調査とベンチマークで構成されています。
第2部では、異種デバイスに対するコンパイルフローの実装と評価について検討する。
論文 参考訳（メタデータ） (2021-03-08T13:54:25Z) - Collective Knowledge: organizing research projects as a database of
reusable components and portable workflows with common APIs [0.2538209532048866]
この記事では、集合的知識フレームワーク(CKまたはcKnowledge)のモチベーションと概要について述べる。
CKの概念は、研究プロジェクトを研究成果物をカプセル化した再利用可能なコンポーネントに分解することである。
長期的な目標は、研究者と実践者を結びつけて、すべての知識を共有し再利用することで、イノベーションを加速させることである。
論文 参考訳（メタデータ） (2020-11-02T17:42:59Z)
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。