論文の概要: Classification of User Reports for Detection of Faulty Computer Components using NLP Models: A Case Study

• arxiv url: http://arxiv.org/abs/2503.16614v1
• Date: Thu, 20 Mar 2025 18:11:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:58:55.113063
• Title: Classification of User Reports for Detection of Faulty Computer Components using NLP Models: A Case Study
• Title（参考訳）: NLPモデルを用いた故障コンピュータコンポーネント検出のためのユーザレポートの分類:ケーススタディ
• Authors: Maria de Lourdes M. Silva, André L. C. Mendonça, Eduardo R. D. Neto, Iago C. Chaves, Felipe T. Brito, Victor A. E. Farias, Javam C. Machado,
• Abstract要約: 本稿では,NLPモデルを用いてユーザレポートを分類し,欠陥のあるコンピュータコンポーネントを検出する革新的な手法を提案する。 多くの情報源から得られた341のユーザレポートのデータセットを構築した。 私たちのアプローチはデータセットで79%の精度を実現しました。
• 参考スコア（独自算出の注目度）: 0.4188114563181615
• License:
• Abstract: Computer manufacturers typically offer platforms for users to report faults. However, there remains a significant gap in these platforms' ability to effectively utilize textual reports, which impedes users from describing their issues in their own words. In this context, Natural Language Processing (NLP) offers a promising solution, by enabling the analysis of user-generated text. This paper presents an innovative approach that employs NLP models to classify user reports for detecting faulty computer components, such as CPU, memory, motherboard, video card, and more. In this work, we build a dataset of 341 user reports obtained from many sources. Additionally, through extensive experimental evaluation, our approach achieved an accuracy of 79% with our dataset.
• Abstract（参考訳）: コンピュータメーカーは通常、ユーザーが障害を報告するためのプラットフォームを提供する。 しかし、これらのプラットフォームがテキストレポートを効果的に活用する能力には大きなギャップがあるため、ユーザーは自身の言葉で問題を記述できない。 この文脈では、自然言語処理(NLP)は、ユーザ生成テキストの分析を可能にすることによって、有望なソリューションを提供する。 本稿では、NLPモデルを用いて、CPU、メモリ、マザーボード、ビデオカードなどの不良なコンピュータコンポーネントを検出するために、ユーザレポートを分類する革新的なアプローチを提案する。 本研究では,多くの情報源から得られた341件のユーザレポートのデータセットを構築した。 さらに,広範囲な実験評価により,データセットの精度は79%に達した。

関連論文リスト

• The Impact Of Bug Localization Based on Crash Report Mining: A Developers' Perspective [7.952391285456257]
  事故報告をグループ化し,バグコードを見つけるためのアプローチを18ヶ月にわたって毎週実施した経験を報告する。 この調査で調査されたアプローチは、バギーファイルの大部分を正しく示唆していた。
  論文  参考訳（メタデータ） (2024-03-16T01:23:01Z)
• Are LLMs Capable of Data-based Statistical and Causal Reasoning? Benchmarking Advanced Quantitative Reasoning with Data [89.2410799619405]
  実世界のデータを用いた統計的および因果推論において,大規模言語モデルの能力を評価するために,データベンチマークを用いた定量的推論を導入する。 このベンチマークは、教科書、オンライン学習教材、学術論文のデータシートを伴う411の質問のデータセットで構成されている。 データとテキストに対するモデルの量的推論能力を比較するために、ベンチマークを290のテキストのみの質問、すなわちQRTextで強化する。
  論文  参考訳（メタデータ） (2024-02-27T16:15:03Z)
• Issue Report Validation in an Industrial Context [1.993607565985189]
  我々は、トルコ語で書かれた銀行部門で、ランダムに選択された1200の発行報告に取り組んでいる。 手動でこれらのレポートに妥当性をラベル付けし、それらが無効であることを示す関連パターンを抽出する。 提案する特徴抽出器を用いて,機械学習による課題報告の妥当性の予測を行い,0.77F1スコアを実行する。
  論文  参考訳（メタデータ） (2023-11-29T14:24:13Z)
• Towards Understanding and Analyzing Rationale in Commit Messages using a Knowledge Graph Approach [1.450261153230204]
  我々は現在進行中のkantara end-to-end rationale Restruction Pipelineについて紹介する。 また、LinuxカーネルのOut-of-Memoryコンポーネントの実行例用にラベル付きデータセットを作成する作業も行います。
  論文  参考訳（メタデータ） (2023-09-04T13:28:18Z)
• Auto-labelling of Bug Report using Natural Language Processing [0.0]
  ルールとクエリベースのソリューションは、明確なランキングのない、潜在的な類似バグレポートの長いリストを推奨します。 本論文では,NLP手法の組み合わせによる解を提案する。 カスタムデータトランスフォーマー、ディープニューラルネットワーク、および非汎用機械学習メソッドを使用して、既存の同一バグレポートを検索する。
  論文  参考訳（メタデータ） (2022-12-13T02:32:42Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• Text Characterization Toolkit [33.6713815884553]
  我々は、新しいモデルやベンチマークを示す際に、より深い結果分析がデファクトスタンダードになるべきだと論じている。 研究者はデータセットの特性とそれらの特性がモデルの振る舞いに与える影響を研究するために利用できるツールを提案する。
  論文  参考訳（メタデータ） (2022-10-04T16:54:11Z)
• Reinforced Iterative Knowledge Distillation for Cross-Lingual Named Entity Recognition [54.92161571089808]
  言語間NERは、知識をリッチリソース言語から低リソース言語に転送する。 既存の言語間NERメソッドは、ターゲット言語でリッチなラベル付けされていないデータをうまく利用しない。 半教師付き学習と強化学習のアイデアに基づく新しいアプローチを開発する。
  論文  参考訳（メタデータ） (2021-06-01T05:46:22Z)
• Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
  複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。 人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
  論文  参考訳（メタデータ） (2021-04-17T21:34:10Z)
• TextFlint: Unified Multilingual Robustness Evaluation Toolkit for Natural Language Processing [73.16475763422446]
  NLPタスク(TextFlint)のための多言語ロバスト性評価プラットフォームを提案する。 普遍的なテキスト変換、タスク固有の変換、敵攻撃、サブポピュレーション、およびそれらの組み合わせを取り入れ、包括的な堅牢性分析を提供する。 TextFlintは、モデルの堅牢性の欠点に対処するために、完全な分析レポートとターゲットとした拡張データを生成します。
  論文  参考訳（メタデータ） (2021-03-21T17:20:38Z)
• S3M: Siamese Stack (Trace) Similarity Measure [55.58269472099399]
  本稿では、深層学習に基づくスタックトレースの類似性を計算する最初のアプローチであるS3Mを紹介します。 BiLSTMエンコーダと、類似性を計算するための完全接続型分類器をベースとしている。 私たちの実験は、オープンソースデータとプライベートなJetBrainsデータセットの両方において、最先端のアプローチの優位性を示しています。
  論文  参考訳（メタデータ） (2021-03-18T21:10:41Z)

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。