論文の概要: Mining Java Memory Errors using Subjective Interesting Subgroups with Hierarchical Targets

• arxiv url: http://arxiv.org/abs/2310.00781v1
• Date: Sun, 1 Oct 2023 20:24:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 01:57:44.024296
• Title: Mining Java Memory Errors using Subjective Interesting Subgroups with Hierarchical Targets
• Title（参考訳）: 階層的ターゲットを持つ主観的関心サブグループを用いたJavaメモリエラーのマイニング
• Authors: Youcef Remil and Anes Bendimerad and Mathieu Chambard and Romain Mathonat and Marc Plantevit and Mehdi Kaytoue
• Abstract要約: サブグループディスカバリ(SD)は、インシデントコードを自動的にマイニングし、識別パターンを抽出して問題の根本原因を特定するデータマイニング手法である。 複雑なターゲット概念を階層構造で扱える新しいSD手法を提案する。 本稿では,メモリ外エラーの調査にこの枠組みを適用し,インシデント診断におけるその有用性を示す。
• 参考スコア（独自算出の注目度）: 1.188383832081829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software applications, especially Enterprise Resource Planning (ERP) systems, are crucial to the day-to-day operations of many industries. Therefore, it is essential to maintain these systems effectively using tools that can identify, diagnose, and mitigate their incidents. One promising data-driven approach is the Subgroup Discovery (SD) technique, a data mining method that can automatically mine incident datasets and extract discriminant patterns to identify the root causes of issues. However, current SD solutions have limitations in handling complex target concepts with multiple attributes organized hierarchically. To illustrate this scenario, we examine the case of Java out-of-memory incidents among several possible applications. We have a dataset that describes these incidents, including their context and the types of Java objects occupying memory when it reaches saturation, with these types arranged hierarchically. This scenario inspires us to propose a novel Subgroup Discovery approach that can handle complex target concepts with hierarchies. To achieve this, we design a pattern syntax and a quality measure that ensure the identified subgroups are relevant, non-redundant, and resilient to noise. To achieve the desired quality measure, we use the Subjective Interestingness model that incorporates prior knowledge about the data and promotes patterns that are both informative and surprising relative to that knowledge. We apply this framework to investigate out-of-memory errors and demonstrate its usefulness in incident diagnosis. To validate the effectiveness of our approach and the quality of the identified patterns, we present an empirical study. The source code and data used in the evaluation are publicly accessible, ensuring transparency and reproducibility.
• Abstract（参考訳）: ソフトウェアアプリケーション、特にERP(Enterprise Resource Planning)システムは、多くの業界の日々の運用に不可欠です。 したがって、インシデントを識別、診断、緩和できるツールを使用して、これらのシステムを効果的に維持することが不可欠である。 これはインシデントデータセットを自動的にマイニングし、識別パターンを抽出して問題の根本原因を特定するデータマイニング手法である。 しかし、現在のSDソリューションは複数の属性を階層的に構成した複雑なターゲット概念を扱う場合に制限がある。 このシナリオを説明するために、いくつかのアプリケーションで可能なJavaのメモリ外インシデント事例について検討する。 私たちはこれらのインシデントを記述したデータセットを持っていて、そのコンテキストや、飽和点に達するとメモリを占有するJavaオブジェクトのタイプを階層的に配置しています。 このシナリオは、階層構造で複雑なターゲット概念を扱える新しいサブグループディスカバリーアプローチを提案するきっかけとなった。 これを実現するために,識別されたサブグループが関連性,非冗長性,ノイズに対する耐性を確実にするパターン構文と品質尺度を設計する。 所望の品質測定を実現するために,データに関する事前知識を取り入れた主観的関心度モデルを用い,その知識に対して情報的かつ驚き的なパターンを促進する。 このフレームワークをメモリ外エラーの調査に応用し,インシデント診断における有用性を示す。 提案手法の有効性と同定されたパターンの質を検証するため,実証的研究を行った。 評価に使用されるソースコードとデータは公開アクセス可能であり、透明性と再現性を保証する。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Resilience to the Flowing Unknown: an Open Set Recognition Framework for Data Streams [6.7236795813629]
  本研究では、分類とクラスタリングを組み合わせて、ストリーミングシナリオにおけるテキストオーバ占有空間問題に対処するオープンセット認識フレームワークの適用について検討する。
  論文  参考訳（メタデータ） (2024-10-31T11:06:54Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Data AUDIT: Identifying Attribute Utility- and Detectability-Induced Bias in Task Models [8.420252576694583]
  医用画像データセットの厳密で定量的なスクリーニングのための第1の手法を提案する。 提案手法は,データセット属性に関連するリスクを,検出性と実用性の観点から分解する。 本手法を用いて, ほぼ知覚不能なバイアス誘発アーティファクトを確実に同定するスクリーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-04-06T16:50:15Z)
• INoD: Injected Noise Discriminator for Self-Supervised Representation Learning in Agricultural Fields [6.891600948991265]
  Injected Noise Discriminator (INoD) を提案する。 INoDは、畳み込みエンコーディング中に2つの非結合データセットからフィーチャーマップをインターリーブし、結果のフィーチャーマップのデータセットアフィリエイトをプレテキストタスクとして予測する。 提案手法により、ネットワークは、あるデータセットで見られるオブジェクトの無意味な表現を学習し、解離したデータセットの類似した特徴と合わせて観察することができる。
  論文  参考訳（メタデータ） (2023-03-31T14:46:31Z)
• A Framework for Verifiable and Auditable Federated Anomaly Detection [3.639790324866155]
  フェデレート・リーン(Federated Leaning)は、機械学習タスクのソリューションのためのエージェントのグループ間の協力を管理する新しいアプローチである。 本稿では,異常検出の特定の場合において,この問題に対処する新しいアルゴリズムアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-03-15T11:34:02Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Class Introspection: A Novel Technique for Detecting Unlabeled Subclasses by Leveraging Classifier Explainability Methods [0.0]
  潜在構造はデータセットの分析を行う上で重要なステップである。 インスタンス説明手法を利用することで、既存の分類器を拡張して潜在クラスを検出することができる。 本稿では,分類器を自動解析するパイプラインと,この手法による結果を対話的に探索するWebアプリケーションについても述べる。
  論文  参考訳（メタデータ） (2021-07-04T14:58:29Z)
• Predicting Themes within Complex Unstructured Texts: A Case Study on Safeguarding Reports [66.39150945184683]
  本稿では,教師付き分類手法を用いた保護レポートにおいて,主テーマの自動識別の問題に焦点をあてる。 この結果から,ラベル付きデータに制限のある複雑なタスクであっても,深層学習モデルが対象知識の振る舞いをシミュレートする可能性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T19:48:23Z)
• A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
  画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。 提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。 本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
  論文  参考訳（メタデータ） (2020-07-03T18:23:39Z)

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。