論文の概要: Deep Learning-based Software Engineering: Progress, Challenges, and Opportunities
- arxiv url: http://arxiv.org/abs/2410.13110v1
- Date: Thu, 17 Oct 2024 00:46:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:20:56.011526
- Title: Deep Learning-based Software Engineering: Progress, Challenges, and Opportunities
- Title（参考訳）: ディープラーニングベースのソフトウェアエンジニアリング - 進歩、挑戦、機会
- Authors: Xiangping Chen, Xing Hu, Yuan Huang, He Jiang, Weixing Ji, Yanjie Jiang, Yanyan Jiang, Bo Liu, Hui Liu, Xiaochen Li, Xiaoli Lian, Guozhu Meng, Xin Peng, Hailong Sun, Lin Shi, Bo Wang, Chong Wang, Jiayi Wang, Tiantian Wang, Jifeng Xuan, Xin Xia, Yibiao Yang, Yixin Yang, Li Zhang, Yuming Zhou, Lu Zhang,
- Abstract要約: ディープラーニングベースのソフトウェアエンジニアリングに関する最初のタスク指向調査を示す。
ディープラーニングのテクニックに大きく影響された、12のソフトウェアエンジニアリングサブ領域をカバーする。
- 参考スコア（独自算出の注目度）: 29.934835831037347
- License:
- Abstract: Researchers have recently achieved significant advances in deep learning techniques, which in turn has substantially advanced other research disciplines, such as natural language processing, image processing, speech recognition, and software engineering. Various deep learning techniques have been successfully employed to facilitate software engineering tasks, including code generation, software refactoring, and fault localization. Many papers have also been presented in top conferences and journals, demonstrating the applications of deep learning techniques in resolving various software engineering tasks. However, although several surveys have provided overall pictures of the application of deep learning techniques in software engineering, they focus more on learning techniques, that is, what kind of deep learning techniques are employed and how deep models are trained or fine-tuned for software engineering tasks. We still lack surveys explaining the advances of subareas in software engineering driven by deep learning techniques, as well as challenges and opportunities in each subarea. To this end, in this paper, we present the first task-oriented survey on deep learning-based software engineering. It covers twelve major software engineering subareas significantly impacted by deep learning techniques. Such subareas spread out the through the whole lifecycle of software development and maintenance, including requirements engineering, software development, testing, maintenance, and developer collaboration. As we believe that deep learning may provide an opportunity to revolutionize the whole discipline of software engineering, providing one survey covering as many subareas as possible in software engineering can help future research push forward the frontier of deep learning-based software engineering more systematically.
- Abstract（参考訳）: 研究者は最近、ディープラーニング技術に大きな進歩を遂げ、自然言語処理、画像処理、音声認識、ソフトウェア工学など、他の研究分野を大きく進歩させてきた。
コード生成、ソフトウェアリファクタリング、フォールトローカライゼーションなど、ソフトウェアエンジニアリングタスクを促進するために、さまざまなディープラーニング技術が成功している。
多くの論文がトップコンファレンスやジャーナルで発表され、さまざまなソフトウェアエンジニアリングタスクの解決におけるディープラーニング技術の応用を実証している。
しかしながら、いくつかの調査では、ソフトウェア工学におけるディープラーニング技術の適用に関する全体像を提供しているが、彼らはより学習技術、すなわち、どのようなディープラーニング技術が採用されているか、そして、ディープラーニングモデルがどのようにソフトウェア工学のタスクのために訓練され、微調整されているかに焦点を当てている。
ディープラーニング技術によって駆動されるソフトウェアエンジニアリングにおけるサブ領域の進歩と、各サブ領域における課題と機会に関する調査は、まだ不十分です。
そこで本研究では,ディープラーニングに基づくソフトウェア工学に関するタスク指向調査を初めて実施する。
ディープラーニングのテクニックに大きく影響された、12のソフトウェアエンジニアリングサブ領域をカバーする。
このようなサブ領域は、要件エンジニアリング、ソフトウェア開発、テスト、メンテナンス、開発者コラボレーションを含む、ソフトウェア開発とメンテナンスのライフサイクル全体にわたって広がっています。
ディープラーニングは、ソフトウェア工学のすべての分野に革命をもたらす機会になると信じており、ソフトウェア工学における可能な限り多くのサブ領域をカバーする1つの調査を提供することで、将来の研究がディープラーニングベースのソフトウェア工学のフロンティアをより体系的に進める上で役立ちます。
関連論文リスト
- Abstraction Engineering [6.091612632147657]
抽象化はすでに、ソフトウェア開発に関わる多くの分野で使われています。
本稿では、これらの新しい課題を考察し、抽象のレンズを通してそれらに取り組むことを提案する。
抽象化エンジニアリングの基礎について議論し、主要な課題を特定し、これらの課題に対処するための研究課題を強調し、将来の研究のロードマップを作成します。
論文 参考訳（メタデータ） (2024-08-26T07:56:32Z) - A Systematic Literature Review on the Use of Machine Learning in Software Engineering [0.0]
本研究は,ソフトウェア工学プロセスに機械学習技術を適用する際の技術の現状を探るため,その目的と研究課題に従って実施された。
レビューでは、ソフトウェア品質保証、ソフトウェア保守、ソフトウェア理解、ソフトウェアドキュメントなど、MLが適用されたソフトウェアエンジニアリングにおける重要な領域を特定している。
論文 参考訳（メタデータ） (2024-06-19T23:04:27Z) - Bridging Gaps, Building Futures: Advancing Software Developer Diversity and Inclusion Through Future-Oriented Research [50.545824691484796]
我々はSEの多様性と包摂性に関する課題と解決策について、SE研究者や実践者から知見を提示する。
我々は,将来的なユートピアやディストピアのビジョンを共有し,今後の研究の方向性とアカデミックや産業への示唆を提供する。
論文 参考訳（メタデータ） (2024-04-10T16:18:11Z) - Charting a Path to Efficient Onboarding: The Role of Software
Visualization [49.1574468325115]
本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。
本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
論文 参考訳（メタデータ） (2024-01-17T21:30:45Z) - Software engineering in start-up companies: An analysis of 88 experience
reports [3.944126365759018]
本研究は,ソフトウェア工学がスタートアップ・コンテキストにどのように応用されるかを検討する。
私たちは、最も頻繁に報告されているソフトウェアエンジニアリング(要求エンジニアリング、ソフトウェア設計、品質)とビジネスの側面(ビジョンと戦略開発)の知識領域を特定します。
スタートアップにおけるほとんどのエンジニアリング上の課題は、要件エンジニアリングの不整合に起因している、と結論付けます。
論文 参考訳（メタデータ） (2023-11-20T19:42:37Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳（メタデータ） (2023-08-10T13:19:10Z) - Design Automation for Fast, Lightweight, and Effective Deep Learning
Models: A Survey [53.258091735278875]
本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。
これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。
この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
論文 参考訳（メタデータ） (2022-08-22T12:12:43Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - A Systematic Literature Review on the Use of Deep Learning in Software
Engineering Research [22.21817722054742]
ソフトウェア開発タスクを自動化するために、ソフトウェア工学(SE)研究者が採用するテクニックのセットが、ディープラーニング(DL)の概念に根ざしている。
本稿では,SE & DLの交差点における研究の体系的な文献レビューを行う。
我々は、機械学習技術の特定の問題領域への適用を規定する一連の原則である学習の構成要素を中心に分析を行う。
論文 参考訳（メタデータ） (2020-09-14T15:28:28Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z)
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。