論文の概要: Data Preparation for Deep Learning based Code Smell Detection: A Systematic Literature Review

• arxiv url: http://arxiv.org/abs/2406.19240v1
• Date: Thu, 27 Jun 2024 15:04:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 13:48:33.172643
• Title: Data Preparation for Deep Learning based Code Smell Detection: A Systematic Literature Review
• Title（参考訳）: 深層学習に基づくコードスメル検出のためのデータ準備:体系的文献レビュー
• Authors: Fengji Zhang, Zexian Zhang, Jacky Wai Keung, Xiangru Tang, Zhen Yang, Xiao Yu, Wenhua Hu,
• Abstract要約: Code Smell Detection (CSD)は、ソフトウェアの品質と保守性を改善する上で重要な役割を果たす。 ディープラーニング(DL)技術は、優れたパフォーマンスのために、CDDにとって有望なアプローチとして登場した。 本論文は,DL-based CSD法におけるデータ準備手法の系統的考察である。
• 参考スコア（独自算出の注目度）: 13.36510917237451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code Smell Detection (CSD) plays a crucial role in improving software quality and maintainability. And Deep Learning (DL) techniques have emerged as a promising approach for CSD due to their superior performance. However, the effectiveness of DL-based CSD methods heavily relies on the quality of the training data. Despite its importance, little attention has been paid to analyzing the data preparation process. This systematic literature review analyzes the data preparation techniques used in DL-based CSD methods. We identify 36 relevant papers published by December 2023 and provide a thorough analysis of the critical considerations in constructing CSD datasets, including data requirements, collection, labeling, and cleaning. We also summarize seven primary challenges and corresponding solutions in the literature. Finally, we offer actionable recommendations for preparing and accessing high-quality CSD data, emphasizing the importance of data diversity, standardization, and accessibility. This survey provides valuable insights for researchers and practitioners to harness the full potential of DL techniques in CSD.
• Abstract（参考訳）: Code Smell Detection (CSD)は、ソフトウェアの品質と保守性を改善する上で重要な役割を果たす。 ディープラーニング(DL)技術は、優れたパフォーマンスのために、CDDにとって有望なアプローチとして現れています。 しかし, DL-based CSD法の有効性は, トレーニングデータの品質に大きく依存している。 その重要性にもかかわらず、データ準備プロセスの分析にはほとんど注意が払われていない。 本論文は,DL-based CSD法におけるデータ準備手法の系統的考察である。 我々は、2023年12月に出版された36の関連論文を特定し、データ要求、収集、ラベリング、クリーニングを含むCSDデータセットの構築における重要な考察を徹底的に分析する。 また、文献の中で7つの主要な課題とそれに対応する解決策をまとめた。 最後に、高品質なCSDデータの作成とアクセスのための実用的なレコメンデーションを提供し、データの多様性、標準化、アクセシビリティの重要性を強調します。 この調査は、研究者や実践者がCDDにおけるDL技術の潜在能力を最大限活用するための貴重な洞察を提供する。

関連論文リスト

• Advancing 3D Point Cloud Understanding through Deep Transfer Learning: A Comprehensive Survey [3.929140365559557]
  本稿では,ディープラーニング(DTL)とドメイン適応(DA)を用いた最新の3DPC理解手法について概観する。 本稿では,3DPCオブジェクト検出,セマンティックラベリング,セグメンテーション,分類,登録,ダウンサンプリング/アップサンプリング,デノナイズなど,さまざまな応用について述べる。
  論文  参考訳（メタデータ） (2024-07-25T08:47:27Z)
• A Survey on Data Selection for Language Models [151.6210632830082]
  データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。 ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。 広範なデータ選択研究のリソースを持つ組織はほとんどない。
  論文  参考訳（メタデータ） (2024-02-26T18:54:35Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• How to Train Data-Efficient LLMs [56.41105687693619]
  事前学習言語モデル(LLM)に対するデータ効率のアプローチについて検討する。 Ask-LLMと密度サンプリングがそれぞれのカテゴリで最適であることがわかった。 何百もの評価タスクと事前学習作業を含む19個のサンプルを比較したところ,Ask-LLMと密度がそれぞれのカテゴリで最適な方法であることが判明した。
  論文  参考訳（メタデータ） (2024-02-15T02:27:57Z)
• CSMeD: Bridging the Dataset Gap in Automated Citation Screening for Systematic Literature Reviews [10.207938863784829]
  CSMeDは9つの公開コレクションを統合したメタデータセットである。 CSMeDは自動引用スクリーニングモデルの性能を訓練し評価するための総合的なリソースとして機能する。 我々はCSMeD-FTを導入した。CSMeD-FTは、全文パブリッシュスクリーニングタスクを明示的に評価するために設計された新しいデータセットである。
  論文  参考訳（メタデータ） (2023-11-21T09:36:11Z)
• Data Augmentation for Time-Series Classification: An Extensive Empirical Study and Comprehensive Survey [4.530339602471495]
  データ拡張(DA)は時系列分類(TSC)において欠かせない戦略として登場した。 本研究は,TSC領域内におけるDA方法論の徹底的な解離について検討した。 我々の分類学は、学者にとって堅牢な航海支援として機能し、選択の明確さと方向性を提供すると約束している。
  論文  参考訳（メタデータ） (2023-10-16T04:49:51Z)
• STAR: Boosting Low-Resource Information Extraction by Structure-to-Text Data Generation with Large Language Models [56.27786433792638]
  STARは大規模言語モデル(LLM)を利用してデータインスタンスを合成するデータ生成手法である。 我々は、初期データインスタンスを取得するための詳細なステップバイステップ命令を設計する。 実験の結果,STARが生成したデータは,低リソースイベント抽出および関係抽出タスクの性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T12:15:19Z)
• Dataset Distillation: A Comprehensive Review [76.26276286545284]
  データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。 本稿ではDDの最近の進歩とその応用について概説する。
  論文  参考訳（メタデータ） (2023-01-17T17:03:28Z)
• Evaluation of Synthetic Datasets for Conversational Recommender Systems [0.0]
  堅牢な評価フレームワークがないことは長年の問題だった。 ダウンストリームアプリケーションでは,トレーニングデータの質が重要なので,その質を評価する指標を開発することが重要である。 本稿では,生成モデルが生成したデータセットを評価するために,多面的アプローチを採用するフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-12T18:53:10Z)
• Core-set Selection Using Metrics-based Explanations (CSUME) for multiclass ECG [2.0520503083305073]
  高品質なデータを選択することで、ディープラーニングモデルの性能が向上することを示す。 実験の結果,9.67%,8.69%の精度とリコール改善が得られた。
  論文  参考訳（メタデータ） (2022-05-28T19:36:28Z)
• Data Mining with Big Data in Intrusion Detection Systems: A Systematic Literature Review [68.15472610671748]
  クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。 データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。 ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
  論文  参考訳（メタデータ） (2020-05-23T20:57:12Z)

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。