論文の概要: Enhancing Software Effort Estimation through Reinforcement Learning-based Project Management-Oriented Feature Selection

• arxiv url: http://arxiv.org/abs/2403.16749v1
• Date: Mon, 25 Mar 2024 13:20:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 20:03:02.323367
• Title: Enhancing Software Effort Estimation through Reinforcement Learning-based Project Management-Oriented Feature Selection
• Title（参考訳）: 強化学習に基づくプロジェクト管理型特徴選択によるソフトウェア作業評価の強化
• Authors: Haoyang Chen, Botong Xu, Kaiyang Zhong,
• Abstract要約: 本研究では,ソフトウェアプロジェクト管理におけるデータ要素市場の適用について検討する。 データ要素市場と強化学習に基づくアルゴリズムを利用して,特徴選択に基づくソリューションを提案する。
• 参考スコア（独自算出の注目度）: 1.382553192164386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: The study aims to investigate the application of the data element market in software project management, focusing on improving effort estimation by addressing challenges faced by traditional methods. Design/methodology/approach: This study proposes a solution based on feature selection, utilizing the data element market and reinforcement learning-based algorithms to enhance the accuracy of software effort estimation. It explores the application of the MARLFS algorithm, customizing improvements to the algorithm and reward function. Findings: This study demonstrates that the proposed approach achieves more precise estimation compared to traditional methods, leveraging feature selection to guide project management in software development. Originality/value: This study contributes to the field by offering a novel approach that combines the data element market, machine learning, and feature selection to improve software effort estimation, addressing limitations of traditional methods and providing insights for future research in project management.
• Abstract（参考訳）: 目的:本研究は,ソフトウェアプロジェクト管理におけるデータ要素市場の適用性を検討することを目的として,従来の手法が直面する課題に対処することで,労力推定の改善に焦点をあてる。 設計・方法論・アプローチ:本研究では,データ要素市場と強化学習に基づくアルゴリズムを活用し,特徴選択に基づくソリューションを提案し,ソフトウェア作業推定の精度を高める。 MARLFSアルゴリズムの適用について検討し、アルゴリズムの改良と報酬関数をカスタマイズする。 Findings: 本研究は,ソフトウェア開発におけるプロジェクト管理の指針として機能選択を活用することによって,従来の手法と比較して,提案手法がより正確な評価を実現することを示す。 原点/価値:本研究は,データ要素市場,マシンラーニング,機能選択を組み合わせた新たなアプローチを提供することで,ソフトウェア作業の推定の改善,従来の手法の限界への対処,プロジェクト管理における今後の研究への洞察を提供することによって,この分野に寄与する。

関連論文リスト

• EVOLvE: Evaluating and Optimizing LLMs For Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• Leveraging Large Language Models for Predicting Cost and Duration in Software Engineering Projects [0.0]
  本研究では,プロジェクトコスト予測の精度とユーザビリティを高めるために,LLM(Large Language Models)を用いた革新的な手法を提案する。 従来の手法と現代の機械学習技術に対するLLMの有効性について検討する。 本研究の目的は,LLMがより正確な推定を得るだけでなく,複雑な予測モデルに代わるユーザフレンドリな代替手段を提供することを示すことである。
  論文  参考訳（メタデータ） (2024-09-15T05:35:52Z)
• Collaborative Knowledge Infusion for Low-resource Stance Detection [83.88515573352795]
  姿勢検出モデルを支援するために、ターゲット関連の知識がしばしば必要である。 低リソース姿勢検出タスクに対する協調的知識注入手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T08:32:14Z)
• Leveraging AI for Enhanced Software Effort Estimation: A Comprehensive Study and Framework Proposal [2.8643479919807433]
  本研究は,従来の手法の限界を克服し,精度と信頼性を向上させることを目的とする。 提案されたAIベースのフレームワークは、プロジェクトの計画とリソース割り当てを強化する可能性を秘めている。
  論文  参考訳（メタデータ） (2024-02-08T08:25:41Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。 本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
  論文  参考訳（メタデータ） (2023-12-01T16:00:25Z)
• Let's reward step by step: Step-Level reward model as the Navigators for Reasoning [64.27898739929734]
  Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。 LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。 提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
  論文  参考訳（メタデータ） (2023-10-16T05:21:50Z)
• A Survey of Contextual Optimization Methods for Decision Making under Uncertainty [47.73071218563257]
  この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。 統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
  論文  参考訳（メタデータ） (2023-06-17T15:21:02Z)
• Recent Advances in Software Effort Estimation using Machine Learning [0.0]
  私たちは、アジャイルでない方法論とアジャイルな方法論の両方でソフトウェア開発の取り組みを見積もるのに使用される、最新の機械学習アプローチについてレビューします。 私たちは、労力見積の可能性の観点から、アジャイル方法論を採用するメリットを分析します。 我々は、データ駆動予測モデルによるソフトウェア作業の推定について、現在および将来のトレンドの分析で結論付けている。
  論文  参考訳（メタデータ） (2023-03-06T20:25:16Z)
• Efficient Real-world Testing of Causal Decision Making via Bayesian Experimental Design for Contextual Optimisation [12.37745209793872]
  文脈的意思決定の評価と改善のためのデータ収集のためのモデルに依存しないフレームワークを提案する。 過去の治療課題の後悔をデータ効率で評価するために,本手法を用いた。
  論文  参考訳（メタデータ） (2022-07-12T01:20:11Z)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)
• A Novel RL-assisted Deep Learning Framework for Task-informative Signals Selection and Classification for Spontaneous BCIs [2.299749220980997]
  一つの脳波検定からタスク関連時間信号セグメントを推定・選択する問題を定式化する。 本稿では,既存の深層学習に基づくBCI手法と組み合わせることができる新しい強化学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-01T00:35:41Z)

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。