論文の概要: Software Architecture Recovery with Information Fusion
- arxiv url: http://arxiv.org/abs/2311.04643v1
- Date: Wed, 8 Nov 2023 12:35:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 16:03:07.632648
- Title: Software Architecture Recovery with Information Fusion
- Title（参考訳）: 情報融合によるソフトウェアアーキテクチャ回復
- Authors: Yiran Zhang, Zhengzi Xu, Chengwei Liu, Hongxu Chen, Jianwen Sun, Dong
Qiu, Yang Liu
- Abstract要約: 本稿では,完全に自動化されたアーキテクチャ復元手法であるSARIFを提案する。
依存関係、コードテキスト、フォルダ構造を含む3種類の包括的な情報が含まれている。
SARIFは従来の技術よりも36.1%正確である。
- 参考スコア（独自算出の注目度）: 14.537490019685384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the architecture is vital for effectively maintaining and
managing large software systems. However, as software systems evolve over time,
their architectures inevitably change. To keep up with the change, architects
need to track the implementation-level changes and update the architectural
documentation accordingly, which is time-consuming and error-prone. Therefore,
many automatic architecture recovery techniques have been proposed to ease this
process. Despite efforts have been made to improve the accuracy of architecture
recovery, existing solutions still suffer from two limitations. First, most of
them only use one or two type of information for the recovery, ignoring the
potential usefulness of other sources. Second, they tend to use the information
in a coarse-grained manner, overlooking important details within it. To address
these limitations, we propose SARIF, a fully automated architecture recovery
technique, which incorporates three types of comprehensive information,
including dependencies, code text and folder structure. SARIF can recover
architecture more accurately by thoroughly analyzing the details of each type
of information and adaptively fusing them based on their relevance and quality.
To evaluate SARIF, we collected six projects with published ground-truth
architectures and three open-source projects labeled by our industrial
collaborators. We compared SARIF with nine state-of-the-art techniques using
three commonly-used architecture similarity metrics and two new metrics. The
experimental results show that SARIF is 36.1% more accurate than the best of
the previous techniques on average. By providing comprehensive architecture,
SARIF can help users understand systems effectively and reduce the manual
effort of obtaining ground-truth architectures.
- Abstract（参考訳）: アーキテクチャを理解することは、大規模なソフトウェアシステムの効率的な保守と管理に不可欠である。
しかし、ソフトウェアシステムが時間とともに進化するにつれて、そのアーキテクチャは必然的に変化する。
変更に対応するには、アーキテクトは実装レベルの変更を追跡し、それに従ってアーキテクチャドキュメントを更新する必要がある。
そのため、このプロセスを容易にするために、多くの自動アーキテクチャ復元技術が提案されている。
アーキテクチャリカバリの正確性を改善する努力が続けられているが、既存のソリューションには2つの制限がある。
第一に、その多くは回復のために1つまたは2つの種類の情報のみを使用し、他の情報源の潜在的有用性を無視している。
第2に,情報を粗い粒度で使用し,その中の重要な詳細を見渡す傾向があります。
これらの制約に対処するため,我々は,依存関係やコードテキスト,フォルダ構造など,3種類の包括的な情報を取り入れた完全自動化アーキテクチャリカバリ手法であるsarifを提案する。
SARIFは、各タイプの情報の詳細を徹底的に分析し、それらの関連性や品質に基づいてそれらを適応的に融合することにより、より正確にアーキテクチャを復元することができる。
SARIFを評価するために、我々は6つのプロジェクトと産業協力者がラベル付けした3つのオープンソースプロジェクトを収集した。
SARIFを3つの一般的なアーキテクチャ類似度指標と2つの新しい指標を用いて,9つの最先端技術と比較した。
実験の結果、SARIFは従来の技術よりも36.1%精度が高いことがわかった。
包括的アーキテクチャを提供することで、SARIFはシステムを効果的に理解し、基幹アーキテクチャを得るための手作業を減らすことができる。
関連論文リスト
- Towards Living Software Architecture Diagrams [0.0]
本稿では,ソフトウェアアーチファクトを解析し,それらを包括的システム表現に統一することにより,ソフトウェアシステムのアーキテクチャ図を生成するツールを提案する。
この表現は、更新時にダイアグラムに再統合されることを保証しながら、手動で修正することができる。
論文 参考訳（メタデータ） (2024-07-25T12:31:52Z) - How Do Users Revise Architectural Related Questions on Stack Overflow: An Empirical Study [6.723917667784222]
ユーザがStack Overflow (SO)上でアーキテクチャ関連質問(ARQ)をどのように修正するかを理解するための実証的研究を行った。
主な発見は以下のとおりである。
ARQのリビジョンはSOでは一般的ではなく、この質問が投稿された直後にARQリビジョンが開始される。
質問作成者(QC)と非質問作成者(QC)の両方が、ARQ修正に積極的に参加している。
論文 参考訳（メタデータ） (2024-06-27T07:42:49Z) - Serving Deep Learning Model in Relational Databases [72.72372281808694]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL-Centricアーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF-Centricアーキテクチャは、データベースシステム内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
potentialRelation-Centricアーキテクチャは、演算子による大規模テンソル計算を表現することを目的としている。
論文 参考訳（メタデータ） (2023-10-07T06:01:35Z) - Heterogeneous Continual Learning [88.53038822561197]
本稿では,ネットワークアーキテクチャの変更に伴う継続学習(CL)問題に対処する新しい枠組みを提案する。
本研究は, 蒸留ファミリ上に構築し, より弱いモデルが教師の役割を担うような, 新たな環境に適応するものである。
また、知識伝達を支援するために、タスク前の視覚的特徴を復元するクイック・ディープ・インバージョン(QDI)を提案する。
論文 参考訳（メタデータ） (2023-06-14T15:54:42Z) - Visual Analysis of Neural Architecture Spaces for Summarizing Design
Principles [22.66053583920441]
ArchExplorerは、ニューラルネットワーク空間を理解し、設計原則を要約するための視覚分析手法である。
クラスタ間のグローバルな関係と各クラスタ内のアーキテクチャの局所的近傍の両方を伝達するために,サークルパッキングに基づくアーキテクチャ視覚化が開発された。
設計原則を要約し,優れたアーキテクチャを選択する上でArchExplorerの有効性を示すために,2つのケーススタディとポストアナリシスが提示される。
論文 参考訳（メタデータ） (2022-08-20T12:15:59Z) - Rethinking Architecture Selection in Differentiable NAS [74.61723678821049]
微分可能なニューラルアーキテクチャ探索は、その探索効率と簡易性において最も人気のあるNAS手法の1つである。
本稿では,各操作がスーパーネットに与える影響を直接測定する摂動に基づくアーキテクチャ選択を提案する。
提案手法により,DARTSの故障モードを大幅に緩和できることがわかった。
論文 参考訳（メタデータ） (2021-08-10T00:53:39Z) - Contrastive Neural Architecture Search with Neural Architecture
Comparators [46.45102111497492]
neural architecture search(nas)における重要なステップの1つは、候補アーキテクチャのパフォーマンスを見積もることである。
既存のメソッドは、バリデーションパフォーマンスを直接使用するか、あるいは予測子を学習してパフォーマンスを見積もる。
本稿では,アーキテクチャ間の比較結果を報奨としてアーキテクチャ探索を行うCTNAS(Contrastive Neural Architecture Search)手法を提案する。
論文 参考訳（メタデータ） (2021-03-08T11:24:07Z) - Evolving Neural Architecture Using One Shot Model [5.188825486231326]
EvNAS(Evolving Neural Architecture using One Shot Model)と呼ばれるNAS問題に単純な遺伝的アルゴリズムを適用する新しい手法を提案する。
EvNASはプロキシデータセット、すなわちアーキテクチャを検索する。
CIFAR-10 for 4.4 GPU day on a single GPU and achieve a top-1 test error of 2.47%。
アーキテクチャ探索問題の解法における進化的手法の可能性を示す。
論文 参考訳（メタデータ） (2020-12-23T08:40:53Z) - Does Unsupervised Architecture Representation Learning Help Neural
Architecture Search? [22.63641173256389]
既存のニューラルアーキテクチャサーチ(NAS)手法は、スケールが良くない離散符号化を用いてニューラルアーキテクチャをエンコードするか、アーキテクチャ表現を共同で学習し、探索バイアスを引き起こすような表現上でアーキテクチャ探索を最適化するための教師付き学習ベースの手法を採用する。
アーキテクチャ表現学習と探索が組み合わさっていれば,ニューラルネットワークの構造的特性を潜時空間に保持することは困難であり,その結果,探索性能は低下する。
論文 参考訳（メタデータ） (2020-06-12T04:15:34Z) - Stage-Wise Neural Architecture Search [65.03109178056937]
ResNetやNASNetのような現代の畳み込みネットワークは、多くのコンピュータビジョンアプリケーションで最先端の結果を得た。
これらのネットワークは、同じ解像度で表現を操作するレイヤのセットであるステージで構成されている。
各ステージにおけるレイヤー数の増加はネットワークの予測能力を向上させることが示されている。
しかし、結果として得られるアーキテクチャは、浮動小数点演算、メモリ要求、推論時間の観点から計算的に高価になる。
論文 参考訳（メタデータ） (2020-04-23T14:16:39Z) - RC-DARTS: Resource Constrained Differentiable Architecture Search [162.7199952019152]
資源制約付き微分可能なアーキテクチャ探索法(RC-DARTS)を提案する。
RC-DARTS法は,モデルサイズが小さく,計算量も少ない,軽量なニューラルアーキテクチャを学習する。
論文 参考訳（メタデータ） (2019-12-30T05:02:38Z)
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。