論文の概要: Assisted Requirements Selection by Clustering

• arxiv url: http://arxiv.org/abs/2401.12634v1
• Date: Tue, 23 Jan 2024 10:33:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 16:07:39.550376
• Title: Assisted Requirements Selection by Clustering
• Title（参考訳）: クラスタリングによる要求選択支援
• Authors: Jos\'e del Sagrado, Isabel M del \'Aguila
• Abstract要約: ビジネス利益と投資のバランスが必要とされるため、多くの研究成果に焦点が当てられた複雑なマルチ基準決定プロセスである。 本研究は,要求選択のための定性的MoSCoW法とクラスタ分析の組み合わせについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Requirements selection is a decision-making process that enables project managers to focus on the deliverables that add most value to the project outcome. This task is performed to define which features or requirements will be developed in the next release. It is a complex multi-criteria decision process that has been focused by many research works because a balance between business profits and investment is needed. The spectrum of prioritization techniques spans from simple and qualitative to elaborated analytic prioritization approaches that fall into the category of optimization algorithms. This work studies the combination of the qualitative MoSCoW method and cluster analysis for requirements selection. The feasibility of our methodology has been tested on three case studies (with 20, 50 and 100 requirements). In each of them, the requirements have been clustered, then the clustering configurations found have been evaluated using internal validation measures for the compactness, connectivity and separability of the clusters. The experimental results show the validity of clustering strategies for the identification of the core set of requirements for the software product, being the number of categories proposed by MoSCoW a good starting point in requirements prioritization and negotiation.
• Abstract（参考訳）: 要件の選択は、プロジェクトマネージャがプロジェクトの成果に最も価値をもたらす成果物に集中できるようにする意思決定プロセスである。 このタスクは次のリリースでどの機能や要件が開発されるかを定義するために実行される。 ビジネス利益と投資のバランスが必要とされるため、多くの研究成果に焦点が当てられた複雑なマルチ基準決定プロセスである。 優先順位付け手法のスペクトルは、最適化アルゴリズムのカテゴリに該当する単純で定性的から精巧な分析優先順位付けアプローチにまで及ぶ。 本研究は,要求選択のための定性的MoSCoW法とクラスタ分析の組み合わせについて検討する。 提案手法の有効性は,3つのケーススタディ(20,50,100の要件)で検証された。 それぞれの要件はクラスタ化され、クラスタの構成はクラスタのコンパクト性、接続性、分離性に関する内部検証尺度を用いて評価されている。 実験の結果,モスクワが要求優先順位付けと交渉の出発点として提案するカテゴリの数から,ソフトウェア製品に対する要求のコアセットを特定するためのクラスタリング戦略の有効性が示された。

関連論文リスト

• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• LLM-enhanced Reranking in Recommender Systems [49.969932092129305]
  リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。 そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。 カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
  論文  参考訳（メタデータ） (2024-06-18T09:29:18Z)
• Choosing a Suitable Requirement Prioritization Method: A Survey [1.4155748588033552]
  時間と予算内で実装を完了するためには、強力な要求優先順位付け技術が最重要である。 本稿では, 優先順位付け手法を2つの主要なクラス, 相対的, 正確な優先順位付け手法のクラスに分類できる新しい分類法を提案する。 提案した分類基準に従って,15種類の要件優先順位付け手法の概要を提示し,整理した。
  論文  参考訳（メタデータ） (2024-02-20T17:05:16Z)
• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• Improving Software Requirements Prioritization through the Lens of Constraint Solving [0.0]
  本稿では, ペアワイズ比較と制約解法を併用した, 要求優先化のための対話的手法を提案する。 提案手法は, 実際の医療プロジェクトから要求された要件を用いて評価する。
  論文  参考訳（メタデータ） (2023-06-21T17:24:24Z)
• Gradient Based Clustering [72.15857783681658]
  本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。 アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
  論文  参考訳（メタデータ） (2022-02-01T19:31:15Z)
• Exploring Neural Models for Query-Focused Summarization [74.41256438059256]
  クエリ中心の要約(QFS)に対するニューラルネットワークの体系的な探索を行う。 本稿では,QMSumデータセットの最先端性能を最大3.38ROUGE-1,3.72ROUGE-2,3.28ROUGE-Lのマージンで達成する2つのモデル拡張を提案する。
  論文  参考訳（メタデータ） (2021-12-14T18:33:29Z)
• A review of systematic selection of clustering algorithms and their evaluation [0.0]
  本稿では,クラスタリングアルゴリズムとそれに対応する検証概念の体系的選択ロジックを同定することを目的とする。 目標は、潜在的なユーザが自分のニーズと基盤となるデータクラスタリングの問題の性質に最も適したアルゴリズムを選択できるようにすることだ。
  論文  参考訳（メタデータ） (2021-06-24T07:01:46Z)
• HAWKS: Evolving Challenging Benchmark Sets for Cluster Analysis [2.5329716878122404]
  クラスタリングアルゴリズムの包括的なベンチマークは難しい。 厳格なベンチマークのベストプラクティスに関する合意はありません。 このようなベンチマークのフレキシブルな生成を支援するために,進化的アルゴリズムが果たす重要な役割を実証する。
  論文  参考訳（メタデータ） (2021-02-13T15:01:34Z)

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。