論文の概要: Evaluating Time-Dependent Methods and Seasonal Effects in Code Technical Debt Prediction
- arxiv url: http://arxiv.org/abs/2408.08095v1
- Date: Thu, 15 Aug 2024 11:39:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-16 14:05:59.301031
- Title: Evaluating Time-Dependent Methods and Seasonal Effects in Code Technical Debt Prediction
- Title（参考訳）: コード技術的負債予測における時間依存手法の評価と季節効果
- Authors: Mikel Robredo, Nyyti Saarimaki, Davide Taibi, Rafael Penaloza, Valentina Lenarduzzi,
- Abstract要約: 本研究は,時間依存手法と季節的影響を考慮した時間依存手法の効果を評価することを目的とする。
Javaで開発された31のオープンソースプロジェクトのコミット履歴を使って、11の予測モデルをトレーニングしました。
- 参考スコア（独自算出の注目度）: 6.616501747443831
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Code Technical Debt prediction has become a popular research niche in recent software engineering literature. Technical Debt is an important metric in software projects as it measures professionals' effort to clean the code. Therefore, predicting its future behavior becomes a crucial task. However, no well-defined and consistent approach can completely capture the features that impact the evolution of Code Technical Debt. The goal of this study is to evaluate the impact of considering time-dependent techniques as well as seasonal effects in temporal data in the prediction performance within the context of Code Technical Debt. The study adopts existing, yet not extensively adopted, time-dependent prediction techniques and compares their prediction performance to commonly used Machine Learning models. Further, the study strengthens the evaluation of time-dependent methods by extending the analysis to capture the impact of seasonality in Code Technical Debt data. We trained 11 prediction models using the commit history of 31 open-source projects developed with Java. We predicted the future observations of the SQALE index to evaluate their predictive performance. Our study confirms the positive impact of considering time-dependent techniques. The adopted multivariate time series analysis model ARIMAX overcame the rest of the adopted models. Incorporating seasonal effects led to an enhancement in the predictive performance of the adopted time-dependent techniques. However, the impact of this effect was found to be relatively modest. The findings of this study corroborate our position in favor of implementing techniques that capture the existing time dependence within historical data of software metrics, specifically in the context of this study, namely, Code Technical Debt. This necessitates the utilization of techniques that can effectively address this evidence.
- Abstract（参考訳）: コード技術的負債の予測は、最近のソフトウェア工学の文献で人気のある研究ニッチとなっている。
技術的負債(Technical Debt)は、プロフェッショナルがコードをきれいにするための労力を測定するため、ソフトウェアプロジェクトにおいて重要な指標である。
そのため、将来の行動を予測することが重要な課題となる。
しかしながら、明確に定義された一貫性のあるアプローチでは、Code Technical Debtの進化に影響を与える機能を完全に把握できない。
本研究の目的は,Code Technical Debtのコンテキスト内での予測性能において,時間依存技術と時間的データに対する季節的影響を考慮することによる影響を評価することである。
この研究は、広くは採用されていないが、時間に依存した予測技術を採用し、それらの予測性能を一般的な機械学習モデルと比較する。
さらに,Code Technical Debtデータにおける季節性の影響を捉えるために解析を拡張し,時間依存手法の評価を強化する。
Javaで開発された31のオープンソースプロジェクトのコミット履歴を使って、11の予測モデルをトレーニングしました。
我々は,SQALE指数の将来観測を予測し,その予測性能を評価した。
本研究は, 時間依存的手法を検討することによる肯定的な影響を検証した。
採用した多変量時系列解析モデルであるARIMAXは、他のモデルに匹敵する。
季節効果を取り入れることで、採用した時間依存手法の予測性能が向上した。
しかし、この効果の影響は比較的緩やかであることが判明した。
本研究の成果は,ソフトウェアメトリクスの履歴データ,特にCode Technical Debtの文脈において,既存の時間依存性を捉える手法の実装を優先して,我々の立場を裏付けるものである。
これはこの証拠に効果的に対処できる技術を活用する必要がある。
関連論文リスト
- Benchmarking Graph Conformal Prediction: Empirical Analysis, Scalability, and Theoretical Insights [6.801587574420671]
コンフォーマル予測は、機械学習モデルに関連する不確実性を定量化するために、ますます人気が高まっている。
グラフの不確実性定量化の最近の研究は、共形グラフ予測のためのこのアプローチに基づいている。
文献における設計選択を分析し、既存の手法に関連するトレードオフについて議論する。
論文 参考訳（メタデータ） (2024-09-26T23:13:51Z) - Systematic literature review on forecasting and prediction of technical debt evolution [0.0]
技術的負債(英: Technical debt、TD)とは、ソフトウェア品質の妥協によって生じる追加コストのこと。
本研究の目的は,ソフトウェア工学における既存の知識を探求し,研究と産業におけるアプローチの洞察を得ることである。
論文 参考訳（メタデータ） (2024-06-17T18:50:37Z) - Deep learning for precipitation nowcasting: A survey from the perspective of time series forecasting [4.5424061912112474]
本稿では,ディープラーニングを用いた時系列降水予測モデルの最近の進歩を概観する。
予測モデルを,将来のフレームを予測するためのアプローチに基づいて,テキスト再帰戦略とテキスト多重戦略に分類する。
筆者らは,現在,降水予測のための深層学習モデルの評価を行い,その限界と課題について議論し,いくつかの有望な研究方向性を示す。
論文 参考訳（メタデータ） (2024-06-07T12:07:09Z) - Selective Temporal Knowledge Graph Reasoning [70.11788354442218]
時間的知識グラフ(TKG)は、与えられた歴史的事実に基づいて将来の事実を予測することを目的としている。
既存のTKG推論モデルは、不確実な予測を控えることができない。
本稿では,既存のモデルが無差別な予測ではなく選択的に行うのに役立つ,TKG推論の棄却機構を提案する。
論文 参考訳（メタデータ） (2024-04-02T06:56:21Z) - Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。
この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。
本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
論文 参考訳（メタデータ） (2024-03-12T08:40:21Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - Logic Constraints to Feature Importances [17.234442722611803]
AIモデルの"ブラックボックス"の性質は、診断技術や自律的ガイドなど、高度な分野における信頼性の高い応用の限界であることが多い。
近年の研究では、適切な解釈可能性のレベルが、モデル信頼性というより一般的な概念を強制できることが示されている。
本論文の基本的な考え方は,特定のタスクにおける特徴の重要性に関する人間の事前知識を利用して,モデルの適合のフェーズを整合的に支援することである。
論文 参考訳（メタデータ） (2021-10-13T09:28:38Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Learning Prediction Intervals for Model Performance [1.433758865948252]
モデル性能の予測間隔を計算する手法を提案する。
我々は,幅広いドリフト条件におけるアプローチを評価し,競合ベースラインよりも大幅に改善することを示す。
論文 参考訳（メタデータ） (2020-12-15T21:32:03Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z)
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。