論文の概要: Revisiting Method-Level Change Prediction: A Comparative Evaluation at Different Granularities

• arxiv url: http://arxiv.org/abs/2502.17908v1
• Date: Tue, 25 Feb 2025 07:14:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:38.130979
• Title: Revisiting Method-Level Change Prediction: A Comparative Evaluation at Different Granularities
• Title（参考訳）: 再検討方法-レベル変化予測:異なる粒度における比較評価
• Authors: Hiroto Sugimori, Shinpei Hayashi,
• Abstract要約: 3つの観点から,メソッドレベルの変化予測の性能をクラスレベルの予測と比較した。 直接比較では,メソッドレベルの予測はクラスレベルの予測よりも低い性能を示したが,メソッドレベルでの評価では,メソッドレベルの予測はクラスレベルの予測よりも優れていた。
• 参考スコア（独自算出の注目度）: 1.313675711285772
• License:
• Abstract: To improve the efficiency of software maintenance, change prediction techniques have been proposed to predict frequently changing modules. Whereas existing techniques focus primarily on class-level prediction, method-level prediction allows for more direct identification of change locations. Method-level prediction can be useful, but it may also negatively affect prediction performance, leading to a trade-off. This makes it unclear which level of granularity users should select for their predictions. In this paper, we evaluated the performance of method-level change prediction compared with that of class-level prediction from three perspectives: direct comparison, method-level comparison, and maintenance effort-aware comparison. The results from 15 open source projects show that, although method-level prediction exhibited lower performance than class-level prediction in the direct comparison, method-level prediction outperformed class-level prediction when both were evaluated at method-level, leading to a median difference of 0.26 in accuracy. Furthermore, effort-aware comparison shows that method-level prediction performed significantly better when the acceptable maintenance effort is little.
• Abstract（参考訳）: ソフトウェアメンテナンスの効率を向上させるため,モジュールの頻繁な変更を予測するための変更予測手法が提案されている。 既存の手法は主にクラスレベルの予測に焦点を当てているが、メソッドレベルの予測は変更箇所のより直接的な識別を可能にする。 メソッドレベルの予測は有用であるが、予測性能にも悪影響を及ぼし、トレードオフにつながる可能性がある。 これにより、ユーザーはどのレベルの粒度を予測に選択すべきかがはっきりしない。 本稿では,メソッドレベルの変化予測とクラスレベルの予測とを,直接比較,メソッドレベルの比較,保守作業単位の比較の3点から比較した。 15のオープンソースプロジェクトの結果, 直接比較では, クラスレベルの予測よりも低い性能を示したが, それぞれがメソッドレベルで評価された場合, クラスレベルの予測よりも優れており, 精度の中央値差は0.26であることがわかった。 さらに, 維持作業が少ない場合に, メソッドレベルの予測が有意に向上したことを示す。

関連論文リスト

• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
  本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。 本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-10-03T15:56:03Z)
• Forecasting with Deep Learning: Beyond Average of Average of Average Performance [0.393259574660092]
  予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに集中しています。 複数の視点からモデルを評価するための新しいフレームワークを提案する。 このフレームワークの利点は、最先端のディープラーニングアプローチと古典的な予測手法を比較して示す。
  論文  参考訳（メタデータ） (2024-06-24T12:28:22Z)
• Automatically Reconciling the Trade-off between Prediction Accuracy and Earliness in Prescriptive Business Process Monitoring [0.802904964931021]
  本稿では,予測精度と予測聴力のトレードオフを自動的に整合する問題に着目する。 予測精度と補聴器とのトレードオフを和らげるために、文献で異なるアプローチが提示された。 予測精度と補聴器のトレードオフを整合する主要な代替手法の比較評価を行う。
  論文  参考訳（メタデータ） (2023-07-12T06:07:53Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Learning Predictions for Algorithms with Predictions [49.341241064279714]
  予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。 オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。 両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-18T17:25:43Z)
• Valid prediction intervals for regression problems [12.905195278168506]
  本稿では,概念的・実験的観点から,上記の4つの手法のクラスを概観する。 さまざまなドメインのベンチマークデータセットの結果は、あるデータセットから別のデータセットへのパフォーマンスの大きな変動を浮き彫りにしている。 本稿では, キャリブレーション手順を使わずに, 粗悪な結果をもたらす手法の一般的なキャリブレーション手順として, コンフォメーション予測をどのように利用できるかを説明する。
  論文  参考訳（メタデータ） (2021-07-01T10:59:36Z)
• How to Evaluate Uncertainty Estimates in Machine Learning for Regression? [1.4610038284393165]
  両手法とも,不確実性評価の品質評価には深刻な欠陥があることが示唆された。 第一に、どちらのアプローチも、予測の不確実性を共同で生み出す別個のコンポーネントを解き放つことはできない。 第3に、予測間隔を直接テストする現在のアプローチには、さらなる欠陥がある。
  論文  参考訳（メタデータ） (2021-06-07T07:47:46Z)
• Optimized conformal classification using gradient descent approximation [0.2538209532048866]
  コンフォーマル予測器は、ユーザ定義の信頼性レベルで予測を行うことができる。 我々は,共形予測器を直接最大予測効率で訓練する手法を検討する。 実世界の複数のデータセット上で本手法を検証し,本手法が有望であることを示す。
  論文  参考訳（メタデータ） (2021-05-24T13:14:41Z)
• 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。