論文の概要: Agile Effort Estimation: Comparing the Accuracy and Efficiency of Planning Poker, Bucket System, and Affinity Estimation methods

• arxiv url: http://arxiv.org/abs/2401.16152v1
• Date: Mon, 29 Jan 2024 13:34:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 14:39:04.149884
• Title: Agile Effort Estimation: Comparing the Accuracy and Efficiency of Planning Poker, Bucket System, and Affinity Estimation methods
• Title（参考訳）: アジャイルの取り組み推定:プランニングポーカー、バケットシステム、親和性推定手法の正確性と効率の比較
• Authors: Marko Po\v{z}enel, Luka F\"urst, Damjan Vavpoti\v{c}, Toma\v{z} Hovelja
• Abstract要約: 文献では、まだ比較されていない3つのアジャイル取り組み推定手法、プランニングポーカー、バケットシステム、アフィニティ推定である。 比較のために,29人の学生からなる8つの学生チームを用いて,プログラムプロジェクトを3週間で終了するコースにおいて,すべての作業推定手法を使わなければならなかった。 その結果, 学生が異なる手法に慣れた後, それらの精度は統計的に有意差はないが, 有効性が示唆された。
• 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: Published studies on agile effort estimation predominantly focus on comparisons of the accuracy of different estimation methods, while efficiency comparisons, i.e. how much time the estimation methods consume was not in the forefront. However, for practical use in software development, the time required can be a very important cost factor for enterprises, especially when the accuracy of different agile effort estimations is similar. In this study, we thus try to advance the current standard accuracy comparison between methods by introducing efficiency i.e. time it takes to use a method as an additional dimension of comparison. We conduct this comparison between three agile effort estimation methods that were not yet compared in the literature, namely Planning Poker, Bucket System and Affinity Estimation. For the comparison, we used eight student teams with 29 students that had to use all the effort estimation methods during the course where they had to finish a programming project in 3 weeks. The results indicate that after the students get used to using the different methods the accuracy between them is not statistically significantly different, however, the efficiency is. On average Bucket System and Affinity Estimation methods take half as much time as Planning Poker.
• Abstract（参考訳）: アジャイルの取り組み推定に関する論文は、主に異なる見積もり手法の正確さの比較に焦点を当てている一方、効率比較は、見積もり手法がどれくらい時間を消費したかが最前線になかった。 しかし、ソフトウェア開発における実用的な利用には、特に異なるアジャイルの労力見積もりの正確さが似ている場合、必要な時間が企業にとって非常に重要なコスト要因となる可能性がある。 そこで本研究では,提案手法の効率性,すなわち比較の余剰次元としての利用に要する時間を導入することにより,現行の標準精度比較を推し進める。 我々は,本文献ではまだ比較されていない3つのアジャイル活動推定手法,プランニングポーカー,バケットシステム,アフィニティ推定の比較を行った。 比較のために,29人の学生からなる8つの学生チームを用いて,プログラムプロジェクトを3週間で終了するコースにおいて,すべての作業推定手法を使わなければならなかった。 その結果, 学生が異なる手法に慣れた後, それらの精度は統計的に有意差はないが, 有効性が示唆された。 平均的なバケットシステムと親和性推定法はプランニングポーカーの半分の時間を要する。

関連論文リスト

• Learning Temporal Distances: Contrastive Successor Features Can Provide a Metric Structure for Decision-Making [66.27188304203217]
  時間的距離は、計画、制御、強化学習のための多くのアルゴリズムの中心にある。 このような時間的距離を設定内で定義しようとする以前の試みは、重要な制限によって妨げられている。 比較学習によって学習された後継特徴が,三角形の不等式を満たす時間的距離を形成することを示す。
  論文  参考訳（メタデータ） (2024-06-24T19:36:45Z)
• Active Transfer Learning for Efficient Video-Specific Human Pose Estimation [16.415080031134366]
  ヒューマン・ポース(HP)推定は幅広い応用のために活発に研究されている。 本稿では,アクティブラーニング(AL)とトランスファーラーニング(TL)を組み合わせて,HP推定器を個々のビデオ領域に効率よく適応させる手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T21:56:29Z)
• Contrastive Difference Predictive Coding [79.74052624853303]
  本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。 目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
  論文  参考訳（メタデータ） (2023-10-31T03:16:32Z)
• Approximating Score-based Explanation Techniques Using Conformal Regression [0.1843404256219181]
  スコアベースの説明可能な機械学習技術は、ブラックボックスモデルの背後にあるロジックを理解するためにしばしば使用される。 本稿では,SHAPなどのスコアベースの説明手法の出力を近似するために,計算コストの低い回帰モデルを提案する。 本稿では,提案モデルから得られた近似的説明を効率的に評価する大規模実証研究の結果を報告する。
  論文  参考訳（メタデータ） (2023-08-23T07:50:43Z)
• Benchmarking Neural Network Training Algorithms [46.39165332979669]
  トレーニングアルゴリズムは、ディープラーニングパイプラインに不可欠な部分です。 コミュニティとして、トレーニングアルゴリズムの改善を確実に特定することはできない。 固定ハードウェア上で実行される複数のワークロードを使用した,新たな,競争力のある,時間と時間のベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-06-12T15:21:02Z)
• Evaluation of Test-Time Adaptation Under Computational Time Constraints [80.40939405129102]
  テスト時間適応(TTA)メソッドは、テスト時にラベルのないデータを活用して、分散シフトに適応する。 現在の評価プロトコルは、この余分なコストの影響を見落とし、実際の適用性に影響を与える。 本稿では,TTA手法のより現実的な評価プロトコルを提案し,一定の速度のデータストリームからデータをオンライン形式で受信する。
  論文  参考訳（メタデータ） (2023-04-10T18:01:47Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation [81.03485688525133]
  Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。 具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。 さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
  論文  参考訳（メタデータ） (2021-04-06T13:12:51Z)
• Multi-Loss Sub-Ensembles for Accurate Classification with Uncertainty Estimation [1.2891210250935146]
  本稿では,ディープニューラルネットワーク(DNN)の高精度な不確実性推定手法を提案する。 我々は,Deep-Sub-Ensembles法によって提案される利点を利用して,推定時間を比較的低く保つ。 その結果,いくつかの不確実性対策における分類課題と競争結果の精度が向上した。
  論文  参考訳（メタデータ） (2020-10-05T10:59:11Z)

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。