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
- Enhancing Cloud-Based Large Language Model Processing with Elasticsearch
and Transformer Models [17.09116903102371]
LLM(Large Language Models)は、Transformerネットワークを使用して構築された生成AIモデルのクラスである。
LLMは膨大なデータセットを活用して、言語を特定し、要約し、翻訳し、予測し、生成することができる。
大規模言語モデルにおける意味ベクトル探索は,検索結果の精度と妥当性を大幅に向上させる強力な手法である。
論文 参考訳(メタデータ) (2024-02-24T12:31:22Z) - 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) - WISK: A Workload-aware Learned Index for Spatial Keyword Queries [46.96314606580924]
本稿では,空間的キーワードクエリの学習指標であるWISKを提案する。
We show that WISK achieve up to 8x speedup in querying time with comparable storage overhead。
論文 参考訳(メタデータ) (2023-02-28T03:45:25Z) - CorpusBrain: Pre-train a Generative Retrieval Model for
Knowledge-Intensive Language Tasks [62.22920673080208]
単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。
我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
論文 参考訳(メタデータ) (2022-08-16T10:22:49Z) - 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) - Continual Object Detection via Prototypical Task Correlation Guided
Gating Mechanism [120.1998866178014]
pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。
具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。
COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
論文 参考訳(メタデータ) (2022-05-06T07:31:28Z) - Autoregressive Search Engines: Generating Substrings as Document
Identifiers [53.0729058170278]
自動回帰言語モデルは、回答を生成するデファクト標準として現れています。
これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。
本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
論文 参考訳(メタデータ) (2022-04-22T10:45:01Z) - 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) - Query Intent Detection from the SEO Perspective [0.34376560669160383]
ユーザクエリの意図を,Googleの結果と機械学習の手法を利用して識別することを目的としている。
クラスタ化されたクエリから抽出されたキーワードのリストは、与えられた新しいクエリの意図を特定するために使用される。
論文 参考訳(メタデータ) (2020-06-16T13:08:29Z) - 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。