論文の概要: A Systematic Literature Review on Reasons and Approaches for Accurate Effort Estimations in Agile
- arxiv url: http://arxiv.org/abs/2405.01569v1
- Date: Mon, 15 Apr 2024 03:45:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-12 16:10:01.591320
- Title: A Systematic Literature Review on Reasons and Approaches for Accurate Effort Estimations in Agile
- Title（参考訳）: アジャイルにおける正確な活動推定の理由とアプローチに関する体系的な文献レビュー
- Authors: Jirat Pasuksmit, Patanamon Thongtanunam, Shanika Karunasekera,
- Abstract要約: 本研究の目的は,不正確な見積もりの理由を特定し,作業推定を改善するためのアプローチを分類することである。
不正確な見積もりの理由は、情報品質、チーム、見積もりの実践、プロジェクト管理、ビジネスへの影響に関連する。
データ漏洩や間接的なバリデーションシナリオのリスクがある自動化アプローチはほとんどない。
- 参考スコア（独自算出の注目度）: 5.698167378668625
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Background: Accurate effort estimation is crucial for planning in Agile iterative development. Agile estimation generally relies on consensus-based methods like planning poker, which require less time and information than other formal methods (e.g., COSMIC) but are prone to inaccuracies. Understanding the common reasons for inaccurate estimations and how proposed approaches can assist practitioners is essential. However, prior systematic literature reviews (SLR) only focus on the estimation practices (e.g., [26, 127]) and the effort estimation approaches (e.g., [6]). Aim: We aim to identify themes of reasons for inaccurate estimations and classify approaches to improve effort estimation. Method: We conducted an SLR and identified the key themes and a taxonomy. Results: The reasons for inaccurate estimation are related to information quality, team, estimation practice, project management, and business influences. The effort estimation approaches were the most investigated in the literature, while only a few aim to support the effort estimation process. Yet, few automated approaches are at risk of data leakage and indirect validation scenarios. Recommendations: Practitioners should enhance the quality of information for effort estimation, potentially by adopting an automated approach. Future research should aim to improve the information quality, while avoiding data leakage and indirect validation scenarios.
- Abstract（参考訳）: 背景: アジャイル反復開発における計画には、正確な作業見積が不可欠です。
アジャイルの見積もりは一般的に、計画ポーカーのようなコンセンサスに基づく手法に依存します。
不正確な見積もりの一般的な理由と提案手法が実践者を支援する方法を理解することが不可欠である。
しかしながら、事前の体系的文献レビュー(SLR)は、見積もりの実践(例: [26, 127])と努力見積のアプローチ(例: [6])のみに焦点を当てている。
Aim: 不正確な見積もりの理由を特定し, 作業推定を改善するためのアプローチを分類することを目的としている。
方法:SLRを施行し,主要なテーマと分類を同定した。
結果: 不正確な見積もりの理由は, 情報品質, チーム, 見積もりの実践, プロジェクト管理, ビジネスへの影響である。
文献では, 作業推定手法が最も研究されているが, 作業推定プロセスを支援する目的はごくわずかであった。
しかし、データ漏洩や間接的な検証シナリオのリスクがある自動化アプローチはほとんどない。
推奨事項: 実践者は、おそらく自動化されたアプローチを採用することで、努力見積のための情報の質を高めるべきである。
今後の研究は、データ漏洩や間接検証のシナリオを回避しつつ、情報品質を改善することを目的としている。
関連論文リスト
- An Efficient Model-Agnostic Approach for Uncertainty Estimation in Data-Restricted Pedometric Applications [0.0937465283958018]
本稿では,土壌特性の予測モデルにおける不確実性評価の促進を目的としたモデル非依存手法を提案する。
本稿では,回帰タスクの分類問題への変換に基づく不確実性推定のための改良手法を提案する。
提案手法は, ペドメトリックスでよく用いられるモデルよりも, 精度の高い不確実性を推定できる可能性が示唆された。
論文 参考訳（メタデータ） (2024-09-18T13:43:39Z) - Uncertainty for Active Learning on Graphs [70.44714133412592]
不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。
予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。
提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
論文 参考訳（メタデータ） (2024-05-02T16:50:47Z) - Towards Reliable Empirical Machine Unlearning Evaluation: A Game-Theoretic View [5.724350004671127]
本研究では,非学習アルゴリズムとMIA敵とのゲームとして評価プロセスを形式化するゲーム理論フレームワークを提案する。
ゲームから誘導される評価基準は,既存の評価基準が満たせないという証明可能な保証を享受していることを示す。
この研究は、非学習アルゴリズムを実証的に評価するための、新しく信頼性の高いアプローチを示し、より効果的な非学習技術を開発するための道を開いた。
論文 参考訳（メタデータ） (2024-04-17T17:20:27Z) - How to Determine the Most Powerful Pre-trained Language Model without
Brute Force Fine-tuning? An Empirical Survey [23.757740341834126]
その結果,H-Scoreは効率性や効率性に優れることがわかった。
また、トレーニングの詳細、テキスト生成への適用性、今後の方向性に光を当てる特定の指標との整合性といった難しさについても概説する。
論文 参考訳（メタデータ） (2023-12-08T01:17:28Z) - Automatically Reconciling the Trade-off between Prediction Accuracy and
Earliness in Prescriptive Business Process Monitoring [0.802904964931021]
本稿では,予測精度と予測聴力のトレードオフを自動的に整合する問題に着目する。
予測精度と補聴器とのトレードオフを和らげるために、文献で異なるアプローチが提示された。
予測精度と補聴器のトレードオフを整合する主要な代替手法の比較評価を行う。
論文 参考訳（メタデータ） (2023-07-12T06:07:53Z) - Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。
実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
論文 参考訳（メタデータ） (2023-03-11T11:42:26Z) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳（メタデータ） (2023-03-03T16:12:59Z) - Evaluating the Predictive Performance of Positive-Unlabelled
Classifiers: a brief critical review and practical recommendations for
improvement [77.34726150561087]
Positive-Unlabelled (PU) 学習は機械学習の領域として成長している。
本稿では、PU分類器を提案する51の論文において、主要なPU学習評価手法と予測精度の選択について批判的にレビューする。
論文 参考訳（メタデータ） (2022-06-06T08:31:49Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - On the uncertainty of self-supervised monocular depth estimation [52.13311094743952]
単眼深度推定のための自己監督的パラダイムは、基礎的な真理アノテーションを全く必要としないため、非常に魅力的である。
我々は,このタスクの不確かさを推定する方法と,これが深さ精度にどのように影響するかを初めて検討する。
自己教師型アプローチに特化して設計された,斬新な手法を提案する。
論文 参考訳（メタデータ） (2020-05-13T09:00:55Z) - Uncertainty-Based Out-of-Distribution Classification in Deep
Reinforcement Learning [17.10036674236381]
アウト・オブ・ディストリビューションデータの誤予測は、機械学習システムにおける安全性の危機的状況を引き起こす可能性がある。
我々は不確実性に基づくOOD分類のためのフレームワークUBOODを提案する。
UBOODはアンサンブルに基づく推定器と組み合わせることで,信頼性の高い分類結果が得られることを示す。
論文 参考訳（メタデータ） (2019-12-31T09:52:49Z)
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。