論文の概要: ROS package search for robot software development: a knowledge graph-based approach

• arxiv url: http://arxiv.org/abs/2312.14781v1
• Date: Fri, 22 Dec 2023 15:50:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-25 14:27:51.720233
• Title: ROS package search for robot software development: a knowledge graph-based approach
• Title（参考訳）: ロボットソフトウェア開発のためのROSパッケージ検索 : 知識グラフに基づくアプローチ
• Authors: Shuo Wang, Xinjun Mao, Shuo Yang, Menghan Wu, Zhang Zhang
• Abstract要約: ROS(Robot Operating System)パッケージは、ロボットソフトウェア開発で効果的に再利用できるソフトウェアアーティファクトの一種として、ますます人気が高まっている。 利用可能な多数のパッケージから、ソフトウェアの機能要件によく適合する適切なROSパッケージを見つけることは、現在の検索方法を用いた非自明なタスクである。 本稿では, セマンティックレベルのROSパッケージ知識グラフ(RPKG)を用いて, 最適なROSパッケージを自動的に検索する新しいセマンティック検索手法を提案する。
• 参考スコア（独自算出の注目度）: 17.558460429870788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: ROS (Robot Operating System) packages have become increasingly popular as a type of software artifact that can be effectively reused in robotic software development. Indeed, finding suitable ROS packages that closely match the software's functional requirements from the vast number of available packages is a nontrivial task using current search methods. The traditional search methods for ROS packages often involve inputting keywords related to robotic tasks into general-purpose search engines or code hosting platforms to obtain approximate results of all potentially suitable ROS packages. However, the accuracy of these search methods remains relatively low because the task-related keywords may not precisely match the functionalities offered by the ROS packages. To improve the search accuracy of ROS packages, this paper presents a novel semantic-based search approach that relies on the semantic-level ROS Package Knowledge Graph (RPKG) to automatically retrieve the most suitable ROS packages. Firstly, to construct the RPKG, we employ multi-dimensional feature extraction techniques to extract semantic concepts from the dataset of ROS package text descriptions. The semantic features extracted from this process result in a substantial number of entities and relationships. Subsequently, we create a robot domain-specific small corpus and further fine-tune a pre-trained language model, BERT-ROS, to generate embeddings that effectively represent the semantics of the extracted features. These embeddings play a crucial role in facilitating semantic-level understanding and comparisons during the ROS package search process within the RPKG. Secondly, we introduce a novel semantic matching-based search algorithm that incorporates the weighted similarities of multiple features from user search queries, which searches out more accurate ROS packages than the traditional keyword search method.
• Abstract（参考訳）: ROS(Robot Operating System)パッケージは、ロボットソフトウェア開発で効果的に再利用できるソフトウェアアーティファクトの一種として、ますます人気が高まっている。 実際、利用可能な大量のパッケージからソフトウェアの機能要件によく適合する適切なROSパッケージを見つけることは、現在の検索方法を用いた非自明なタスクである。 ROSパッケージの従来の検索手法は、ロボットタスクに関連するキーワードを汎用検索エンジンやコードホスティングプラットフォームに入力して、潜在的に適切なROSパッケージのほぼ全ての結果を得る。 しかし,タスク関連キーワードがROSパッケージの機能と正確に一致しないため,これらの検索手法の精度は比較的低い。 本稿では, ROSパッケージの検索精度を向上させるために, セマンティックレベルの ROS Package Knowledge Graph (RPKG) を利用した, セマンティックベースの検索手法を提案する。 まず、RPKGを構築するために、ROSパッケージのテキスト記述のデータセットから意味概念を抽出するために多次元特徴抽出技術を用いる。 このプロセスから抽出されたセマンティックな特徴は、かなりの数のエンティティと関係をもたらします。 その後、ロボットドメイン固有の小さなコーパスを作成し、さらに事前訓練された言語モデルBERT-ROSを作成し、抽出した特徴のセマンティクスを効果的に表現する埋め込みを生成する。 これらの埋め込みは、RPKG内のROSパッケージ検索プロセスにおいて、意味レベルの理解と比較を促進する上で重要な役割を果たす。 次に,従来のキーワード検索法よりも正確なrosパッケージを検索するユーザ検索クエリから,複数の特徴の重み付き類似性を取り入れた,新しい意味マッチングに基づく検索アルゴリズムを提案する。

関連論文リスト

• Hybrid Semantic Search: Unveiling User Intent Beyond Keywords [0.0]
  本稿では,ユーザの意図を理解する上で,従来のキーワードベースの検索の限界に対処する。 非意味的な検索エンジン、LLM(Large Language Models)、埋め込みモデルの強みを活用する新しいハイブリッド検索手法を導入する。
  論文  参考訳（メタデータ） (2024-08-17T16:04:31Z)
• CoIR: A Comprehensive Benchmark for Code Information Retrieval Models [56.691926887209895]
  textbfInformation textbfRetrieval Benchmark(textbfInformation textbfRetrieval Benchmark)は,コード検索機能の評価に特化して設計された,堅牢で包括的なベンチマークである。 名前は、Textbftenを巧みにキュレートしたコードデータセットから成り、textbfs7の異なるドメインにまたがる、textbfeight特有の検索タスクにまたがる。 我々は9つの広く使われている検索モデルを名前を用いて評価し、最先端のシステムであってもコード検索タスクの実行に重大な困難を見出した。
  論文  参考訳（メタデータ） (2024-07-03T07:58:20Z)
• ACE: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  我々は、エンドツーエンドのクロスモーダル検索のための先駆的なジェネリッククロスモーダル rEtrieval framework (ACE) を提案する。 ACEは、クロスモーダル検索における最先端のパフォーマンスを達成し、Recall@1の強いベースラインを平均15.27%上回る。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• LIST: Learning to Index Spatio-Textual Data for Embedding based Spatial Keyword Queries [53.843367588870585]
  リスト K-kNN 空間キーワードクエリ (TkQ) は、空間的およびテキスト的関連性の両方を考慮したランキング関数に基づくオブジェクトのリストを返す。 効率的かつ効率的な指標、すなわち高品質なラベルの欠如とバランスの取れない結果を構築する上で、大きな課題が2つある。 この2つの課題に対処する新しい擬似ラベル生成手法を開発した。
  論文  参考訳（メタデータ） (2024-03-12T05:32:33Z)
• End-to-End Open Vocabulary Keyword Search With Multilingual Neural Representations [7.780766187171571]
  競合性能を実現するニューラルネットワークによるASRフリーキーワード検索モデルを提案する。 本研究は,多言語事前学習と詳細なモデル解析により拡張する。 実験の結果,提案した多言語学習はモデルの性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-08-15T20:33:25Z)
• RF-Next: Efficient Receptive Field Search for Convolutional Neural Networks [86.6139619721343]
  そこで本研究では,グローバル・ローカル・サーチ手法を用いて,より優れた受容場の組み合わせを求める。 我々の検索手法は, 粗い組み合わせを見つけるためにグローバル検索と, 洗練された受容場の組み合わせを得るために局所探索の両方を利用する。 我々のRF-Nextモデルは、様々なモデルに受容場探索を接続し、多くのタスクのパフォーマンスを高める。
  論文  参考訳（メタデータ） (2022-06-14T06:56:26Z)
• Neural Methods for Effective, Efficient, and Exposure-Aware Information Retrieval [7.3371176873092585]
  情報検索の具体的なニーズと課題に動機づけられた新しいニューラルアーキテクチャと手法を紹介します。 多くの実生活のIRタスクにおいて、検索には数十億のドキュメントを含む商用Web検索エンジンのドキュメントインデックスなど、非常に大規模なコレクションが含まれる。
  論文  参考訳（メタデータ） (2020-12-21T21:20:16Z)
• AutoRC: Improving BERT Based Relation Classification Models via Architecture Search [50.349407334562045]
  BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。 最適なアーキテクチャとは何かという合意は得られない。 BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
  論文  参考訳（メタデータ） (2020-09-22T16:55:49Z)
• PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning [55.32009000204512]
  PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。 具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。 また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
  論文  参考訳（メタデータ） (2020-03-12T03:30:30Z)

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。