論文の概要: Primary Breadth-First Development (PBFD): An Approach to Full Stack Software Development
- arxiv url: http://arxiv.org/abs/2501.10624v1
- Date: Sat, 18 Jan 2025 01:55:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 19:37:19.086052
- Title: Primary Breadth-First Development (PBFD): An Approach to Full Stack Software Development
- Title（参考訳）: PBFD(プライマリブレッドスファースト開発) - フルスタックソフトウェア開発へのアプローチ
- Authors: Dong Liu,
- Abstract要約: 本稿では,DAG(Directed Acyclic Graphs)を用いた基礎的計算機科学の原理を活用する革新的な手法を提案する。
ビットマップを用いることで、結合テーブルを排除し、リレーショナルデータベース内のよりコンパクトで効率的なデータ処理を実現する。
厳格なテストと数万のユーザのための8年以上の運用デプロイメントは、目覚ましい結果をもたらしました。
- 参考スコア（独自算出の注目度）: 7.307436175842646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Full stack software applications are often simplified to basic CRUD operations, which can overlook the intricate principles of computer science necessary for addressing complex development challenges. Current methodologies frequently fall short in efficiency when managing these complexities. This paper presents an innovative approach that leverages foundational computer science principles, specifically using Directed Acyclic Graphs (DAGs), to model sophisticated business problems. We introduce Breadth-First Development (BFD), Depth-First Development (DFD), Cyclic Directed Development (CDD), Directed Acyclic Development (DAD), Primary BFD (PBFD), and Primary DFD (PDFD), to enhance application development. By employing bitmaps, this approach eliminates junction tables, resulting in more compact and efficient data processing within relational databases. Rigorous testing and over eight years of production deployment for tens of thousands of users have yielded remarkable results: zero bugs, development speed improvements of up to twenty times, performance gains of seven to eight times, and storage requirements reduced to one-eleventh compared to traditional methods.
- Abstract（参考訳）: フルスタックのソフトウェアアプリケーションは、しばしば基本的なCRUD操作に単純化され、複雑な開発課題に対処するために必要なコンピュータ科学の複雑な原則を見落としてしまう。
現在の手法は、これらの複雑さを管理する際にしばしば効率が低下する。
本稿では,DAG(Directed Acyclic Graphs)を用いた基礎的コンピュータ科学の原理を応用した革新的な手法を提案する。
本稿では,Breadth-First Development (BFD), Depth-First Development (DFD), Cyclic Directed Development (CDD), Directed Acyclic Development (DAD), primary BFD (PBFD), primary DFD (PDFD)を紹介する。
ビットマップを用いることで、結合テーブルを排除し、リレーショナルデータベース内のよりコンパクトで効率的なデータ処理を実現する。
厳格なテストと数万のユーザのための8年以上の運用デプロイメントは、バグのゼロ、開発スピードの改善の最大20倍、パフォーマンスの向上の7～8倍、ストレージ要件の従来の方法に比べて1～11倍に削減されたという、驚くべき結果をもたらしました。
関連論文リスト
- Towards Build Optimization Using Digital Twins [2.8402080392117757]
本稿では,グローバルかつ継続的な改善を実現するために,ビルドプロセスのディジタルツインを開発するという新しいアイデアを提案する。
このフレームワークは、リアルタイムビルドデータ取得やビルドプロセスのパフォーマンスメトリクスの継続的監視を含む、デジタルシャドーイング機能を提供します。
論文 参考訳（メタデータ） (2025-03-25T06:16:52Z) - Towards Reliable Vector Database Management Systems: A Software Testing Roadmap for 2030 [7.711904628828539]
大規模言語モデル(LLM)とAI駆動アプリケーションにより、Vector Database Management Systems(VDBMS)が重要なインフラストラクチャコンポーネントとして注目を浴びている。
VDBMSは、高密度ベクトル埋め込みの保存、インデックス化、クエリを専門とし、検索強化生成、長期メモリ、キャッシュ機構などの高度なLLM機能を実現する。
最適化された構造化データのための従来のデータベースとは異なり、VDBMSはベクトルデータの高次元の性質、ベクトル探索におけるファジィセマンティクス、動的データスケーリングとハイブリッドクエリ処理のサポートといったユニークなテスト課題に直面している。
論文 参考訳（メタデータ） (2025-02-28T07:56:37Z) - Causal AI-based Root Cause Identification: Research to Practice at Scale [2.455633941531165]
我々は,相関関係に対する因果関係を強調する新しい因果関係に基づくルート因果同定(RCI)アルゴリズムを開発した。
本稿では、Instanaの高度な故障診断機能を強調し、RCIアルゴリズムの理論的基盤と実践的実装について論じる。
論文 参考訳（メタデータ） (2025-02-25T14:20:33Z) - Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳（メタデータ） (2024-11-01T14:27:16Z) - Hierarchical and Decoupled BEV Perception Learning Framework for Autonomous Driving [52.808273563372126]
本稿では,基本認識モジュールとユーザフレンドリなグラフィカルインタフェースのライブラリの提供を目的とした,新しい階層的BEV知覚パラダイムを提案する。
我々は,大規模公開データセットと合理化開発プロセスを効果的に活用するために,Pretrain-Finetune戦略を実行している。
また、マルチモジュールラーニング(MML)アプローチを提案し、複数のモデルの相乗的かつ反復的な訓練により性能を向上させる。
論文 参考訳（メタデータ） (2024-07-17T11:17:20Z) - Toward Adaptive Large Language Models Structured Pruning via Hybrid-grained Weight Importance Assessment [58.030196381554745]
大規模言語モデル (LLM) の刈り取りにおける重み付け重要度の評価を, 微粒化と粗粒化にマージする手法であるHybrid-fine Weight Importance Assessment (HyWIA) を導入する。
LLaMA-V1/V2, Vicuna, Baichuan, Bloomの様々なベンチマークによる大規模な実験により, 刈り込みLDMにおけるHyWIAの有効性が示された。
論文 参考訳（メタデータ） (2024-03-16T04:12:50Z) - Efficient Architecture Search via Bi-level Data Pruning [70.29970746807882]
この研究は、DARTSの双方向最適化におけるデータセット特性の重要な役割を探求する先駆者となった。
我々は、スーパーネット予測力学を計量として活用する新しいプログレッシブデータプルーニング戦略を導入する。
NAS-Bench-201サーチスペース、DARTSサーチスペース、MobileNetのようなサーチスペースに関する総合的な評価は、BDPがサーチコストを50%以上削減することを検証する。
論文 参考訳（メタデータ） (2023-12-21T02:48:44Z) - Back to Basics: A Simple Recipe for Improving Out-of-Domain Retrieval in
Dense Encoders [63.28408887247742]
得られたモデルにおいて,より優れた一般化能力を得るために,トレーニング手順の改善が可能であるかを検討する。
我々は、高密度エンコーダをトレーニングするための簡単なレシピを推奨する: LoRAのようなパラメータ効率のよいMSMARCOのトレーニング。
論文 参考訳（メタデータ） (2023-11-16T10:42:58Z) - Distributionally Robust Cross Subject EEG Decoding [15.211091130230589]
本稿では,デコードロバスト性を改善するために,データ上で動的に進化する原理的手法を提案する。
We derived a general data evolution framework based on Wasserstein gradient flow (WGF) and provide two different form of evolution within the framework。
提案手法は、さらなる改善のために、他のデータ拡張手法と容易に統合できる。
論文 参考訳（メタデータ） (2023-08-19T11:31:33Z) - Using Gradient to Boost the Generalization Performance of Deep Learning
Models for Fluid Dynamics [0.0]
本稿では,Deep Learningの一般化能力を高めるための新しい研究について述べる。
我々の戦略は、DLネットワークのより良い一般化に向けた良い結果を示している。
論文 参考訳（メタデータ） (2022-10-09T10:20:09Z) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳（メタデータ） (2021-12-01T22:55:23Z) - EBIC.JL -- an Efficient Implementation of Evolutionary Biclustering
Algorithm in Julia [59.422301529692454]
本稿では, Julia における最も正確なビクラスタリングアルゴリズムの実装である EBIC.JL を紹介する。
新たなバージョンでは,既存のEBICと同等の精度を維持しつつ,ほとんどの問題に対してより高速に収束することを示す。
論文 参考訳（メタデータ） (2021-05-03T22:30:38Z)
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。