論文の概要: Auto-grading C programming assignments with CodeBERT and Random Forest Regressor

• arxiv url: http://arxiv.org/abs/2309.15216v1
• Date: Tue, 26 Sep 2023 19:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-28 18:00:25.001683
• Title: Auto-grading C programming assignments with CodeBERT and Random Forest Regressor
• Title（参考訳）: CodeBERTとRandom Forest RegressorによるC言語の自動最適化
• Authors: Roshan Vasu Muddaluru, Sharvaani Ravikumar Thoguluva, Shruti Prabha, Dr. Peeta Basa Pati and Ms. Roshni M Balakrishnan
• Abstract要約: 本研究は,機械学習と深層学習を用いたC言語プログラム課題の自動階調解析を行う。 実験の結果,ルート平均二乗誤差(RMSE)が1.89。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grading coding assignments manually is challenging due to complexity and subjectivity. However, auto-grading with deep learning simplifies the task. It objectively assesses code quality, detects errors, and assigns marks accurately, reducing the burden on instructors while ensuring efficient and fair assessment. This study provides an analysis of auto-grading of the C programming assignments using machine learning and deep learning approaches like regression, convolutional neural networks (CNN) and long short-term memory (LSTM). Using a code-based transformer word embedding model called CodeBERT, the textual code inputs were transformed into vectors, and the vectors were then fed into several models. The testing findings demonstrated the efficacy of the suggested strategy with a root mean squared error (RMSE) of 1.89. The contrast between statistical methods and deep learning techniques is discussed in the study.
• Abstract（参考訳）: 手動によるコーディングの割り当ては、複雑さと主観性のために難しい。 しかし、ディープラーニングによるオートグレーディングはタスクを単純化する。 客観的にコード品質を評価し、エラーを検知し、正確にマークを割り当て、効率的で公平な評価を確保しながらインストラクターの負担を軽減する。 本研究は、回帰、畳み込みニューラルネットワーク(CNN)、長期記憶(LSTM)といったディープラーニングアプローチと機械学習を用いて、C言語プログラムの課題の自動階調分析を行う。 CodeBERTと呼ばれるコードベースのトランスフォーマーワード埋め込みモデルを使用して、テキストコード入力をベクトルに変換し、ベクターを複数のモデルに入力した。 実験の結果,ルート平均二乗誤差(RMSE)が1.89。 本研究では,統計的手法と深層学習技術との対比について論じる。

関連論文リスト

• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• A better approach to diagnose retinal diseases: Combining our Segmentation-based Vascular Enhancement with deep learning features [3.717366858126521]
  網膜基底像の異常は特定の病態を示す可能性がある。 従来の医学では、網膜関連疾患の診断は、医師の網膜基底画像の主観的評価に依存している。 本稿では,網膜基底画像関連疾患の迅速かつ客観的かつ正確な診断法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T13:52:40Z)
• Strategy for Rapid Diabetic Retinopathy Exposure Based on Enhanced Feature Extraction Processing [0.0]
  本研究の目的は, 糖尿病網膜症の診断を改善するために, 時間的DR識別のための深層学習モデルを開発することである。 提案モデルでは,早期に網膜画像から様々な病変を検出する。
  論文  参考訳（メタデータ） (2023-05-08T14:17:33Z)
• Improving Classification of Retinal Fundus Image Using Flow Dynamics Optimized Deep Learning Methods [0.0]
  糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。 経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
  論文  参考訳（メタデータ） (2023-04-29T16:11:34Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Interpretable Automated Diagnosis of Retinal Disease using Deep OCT Analysis [7.005458308454871]
  我々は,OCTスキャンの正確な分類のためのCNNベースモデルを開発した。 我々は、モデルの判断に関する質的および定量的な説明の両方を作成することに重点を置いている。 私たちの仕事は、モデルの決定について、初めて詳細な説明をしました。
  論文  参考訳（メタデータ） (2021-09-03T17:59:34Z)
• Towards the Localisation of Lesions in Diabetic Retinopathy [2.3204178451683264]
  本研究は,4つの最先端ディープラーニングモデルの事前学習重量を用いて,糖尿病網膜症(DR)基底画像の局所化マップを作成し,比較する。 inceptionv3は、テスト分類精度96.07%で最高の性能を達成し、病変を他のモデルよりも良く高速にローカライズする。
  論文  参考訳（メタデータ） (2020-12-21T15:39:17Z)
• A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
  糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。 このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
  論文  参考訳（メタデータ） (2020-08-22T07:48:04Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。