論文の概要: Evaluating Time-Dependent Methods and Seasonal Effects in Code Technical Debt Prediction
- arxiv url: http://arxiv.org/abs/2408.08095v2
- Date: Thu, 19 Jun 2025 11:21:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 19:00:04.701157
- 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, Matteo Esposito, Davide Taibi, Rafael Penaloza, Valentina Lenarduzzi,
- Abstract要約: Code Technical Debt (Code TD) 予測は、最近のソフトウェアエンジニアリング研究で大きな注目を集めている。
コードTD予測に対する標準化されたアプローチは、その進化に影響を与える要因を完全に捉えるものではない。
本研究の目的は、時間依存モデルと季節効果がコードTD予測に与える影響を評価することである。
- 参考スコア(独自算出の注目度): 6.244245899613162
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background. Code Technical Debt (Code TD) prediction has gained significant attention in recent software engineering research. However, no standardized approach to Code TD prediction fully captures the factors influencing its evolution. Objective. Our study aims to assess the impact of time-dependent models and seasonal effects on Code TD prediction. It evaluates such models against widely used Machine Learning models, also considering the influence of seasonality on prediction performance. Methods. We trained 11 prediction models with 31 Java open-source projects. To assess their performance, we predicted future observations of the SQALE index. To evaluate the practical usability of our TD forecasting model and its impact on practitioners, we surveyed 23 software engineering professionals. Results. Our study confirms the benefits of time-dependent techniques, with the ARIMAX model outperforming the others. Seasonal effects improved predictive performance, though the impact remained modest. \ReviewerA{ARIMAX/SARIMAX models demonstrated to provide well-balanced long-term forecasts. The survey highlighted strong industry interest in short- to medium-term TD forecasts. Conclusions. Our findings support using techniques that capture time dependence in historical software metric data, particularly for Code TD. Effectively addressing this evidence requires adopting methods that account for temporal patterns.
- Abstract(参考訳): 背景。
Code Technical Debt (Code TD) 予測は、最近のソフトウェアエンジニアリング研究で大きな注目を集めている。
しかし、コードTD予測に対する標準化されたアプローチは、その進化に影響を与える要因を完全に捉えていない。
目的。
本研究の目的は、時間依存モデルと季節効果がコードTD予測に与える影響を評価することである。
また、季節が予測性能に与える影響を考慮し、広く使われている機械学習モデルに対してそのようなモデルを評価する。
メソッド。
11の予測モデルと31のJavaオープンソースプロジェクトをトレーニングしました。
その性能を評価するため,SQALE指数の今後の観測を予測した。
TD予測モデルの実用性と実践者への影響を評価するため,23名のソフトウェア技術者を調査した。
結果。
本研究は,ARIMAXモデルを用いて,時間依存手法の利点を確認した。
季節的な影響は予測性能を改善したが、影響は緩やかであった。
\ReviewerA{ARIMAX/SARIMAXモデルは、バランスの良い長期予測を提供することを示した。
この調査は、短期から中期のTD予測に対する業界の強い関心を浮き彫りにした。
結論。
我々の研究は、歴史的ソフトウェアメトリクスデータ、特にコードTDの時間依存性をキャプチャする技術を用いて支援する。
この証拠に効果的に対処するには、時間的パターンを説明する方法を採用する必要がある。
関連論文リスト
- Time Series Feature Redundancy Paradox: An Empirical Study Based on Mortgage Default Prediction [0.5755004576310334]
従来の知恵は、長いトレーニング期間とより多くの機能変数がモデルのパフォーマンス向上に寄与することを示している。
本稿では、住宅ローンのデフォルト予測に着目し、従来の知識と矛盾する現象を実証的に発見する。
論文 参考訳(メタデータ) (2024-12-23T21:28:32Z) - 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。