Fugu-MT 論文翻訳(概要): A Novel Taxonomy and Classification Scheme for Code Smell Interactions

論文の概要: A Novel Taxonomy and Classification Scheme for Code Smell Interactions

arxiv url: http://arxiv.org/abs/2504.18469v1
Date: Fri, 25 Apr 2025 16:24:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.844303
Title: A Novel Taxonomy and Classification Scheme for Code Smell Interactions
Title（参考訳）: コードスメル相互作用のための新しい分類法と分類法
Authors: Ruchin Gupta, Sandeep Kumar Singh,
Abstract要約: 本研究では,新しい分類法とコード臭の相互作用の分類法を提案する。いくつかの一般的な機械学習(ML)モデルを用いて実験が実施されている。結果は、主にドメイン内のインタースメル検出というコード臭いの相互作用の存在を示しています。
参考スコア（独自算出の注目度）: 2.6597689982591044
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Code smells are indicators of potential design flaws in source code and do not appear alone but in combination with other smells, creating complex interactions. While existing literature classifies these smell interactions into collocated, coupled, and inter-smell relations, however, to the best of our knowledge, no research has used the existing knowledge of code smells and (or) their relationships with other code smells in the detection of code smells. This gap highlights the need for deeper investigation into how code smells interact with each other and assist in their detection. This would improve the overall comprehension of code smells and how they interact more effectively. This study presents a novel taxonomy and a proposed classification scheme for the possible code smell interactions considering a specific programming language as a domain. This paper has dealt with one scenario called Inter smell detection within the domain. The experiments have been carried out using several popular machine learning (ML) models. Results primarily show the presence of code smell interactions namely Inter-smell Detection within domain. These results are compatible with the available facts in the literature suggesting a promising direction for future research in code smell detection.
Abstract（参考訳）: コードの臭いは、ソースコードにおける潜在的な設計上の欠陥の指標であり、単独ではなく、他の臭いと組み合わせて現れ、複雑な相互作用を生み出す。既存の文献では、これらの匂いの相互作用をコロケーション、結合、およびスメル間の関係に分類していますが、私たちの知る限りでは、コード臭の既存の知識や(または)コード臭の検出に他のコード臭との関連性を使った研究はありません。このギャップは、コードの臭いがどのように相互作用し、検出を支援するかについて、より深い調査の必要性を強調します。これにより、コードの臭いの全体的な理解と、より効果的に相互作用する方法が向上します。本研究は,特定のプログラミング言語をドメインとして考慮したコード臭い相互作用のための新しい分類法と分類法を提案する。この論文は、ドメイン内のインターフェール検出と呼ばれるシナリオに対処している。実験は、いくつかの一般的な機械学習(ML)モデルを用いて実施されている。結果は、主にドメイン内のインタースメル検出というコード臭いの相互作用の存在を示しています。これらの結果は、将来のコード臭い検出研究の方向性を示す文献で利用可能な事実と互換性がある。

関連論文リスト

EnseSmells: Deep ensemble and programming language models for automated code smells detection [3.974095344344234]
ソフトウェアソースコードの匂いは、最適な設計と実装上の決定を示す。本稿では,構造的特徴と統計的意味論の融合に重きを置く深層学習アーキテクチャを構築するための新しい手法を提案する。
論文参考訳（メタデータ） (2025-02-07T15:35:19Z)
How Propense Are Large Language Models at Producing Code Smells? A Benchmarking Study [45.126233498200534]
コードの臭いを生成するための大規模言語モデルの妥当性を評価するためのベンチマークであるCodeSmellEvalを紹介する。当社のベンチマークには、Propensity Smelly Score (PSC) と、メソッドレベルのコードの臭いを収集したデータセットであるCodeSmellDataが含まれている。 CodeSmellEvalの使用を実証するために,CodeLlamaとMistralの2つの最先端LLMを用いてケーススタディを行った。
論文参考訳（メタデータ） (2024-12-25T21:56:35Z)
Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
マルチモーダルプレトレーニング DEL-Fusion Model (MPDF) 我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-07T17:32:21Z)
On the Prevalence, Evolution, and Impact of Code Smells in Simulation Modelling Software [2.608075651391582]
本稿では,シミュレーションソフトウェアシステムにおけるコードの臭いの頻度,進化,および影響について検討する。特定のコードの臭い(例えばロングステートメント、マジックナンバー)は、従来のソフトウェアシステムよりもシミュレーションソフトウェアシステムで一般的である。実験の結果,Magic NumberやLong Listのようなコードの臭いは,シミュレーションソフトウェアシステムで長期間持続できることがわかった。
論文参考訳（メタデータ） (2024-09-06T00:47:02Z)
FKA-Owl: Advancing Multimodal Fake News Detection through Knowledge-Augmented LVLMs [48.32113486904612]
本稿では,FKA-Owlを提案する。FKA-Owlは,偽情報を利用した大規模視覚言語モデル(LVLM)の拡張のためのフレームワークである。パブリックベンチマークの実験では、FKA-Owlは従来の手法よりも優れたクロスドメイン性能を達成している。
論文参考訳（メタデータ） (2024-03-04T12:35:09Z)
Prompt Learning for Multi-Label Code Smell Detection: A Promising Approach [6.74877139507271]
コードの臭いは、開発者がコードの臭いを検出することによって機会を識別できるように、ソフトウェア品質の潜在的な問題を示している。提案手法は,複数ラベルのコードの臭いを早期に検出する手法である textitPromptSmell を提案する。
論文参考訳（メタデータ） (2024-02-16T01:50:46Z)
InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback [50.725076393314964]
標準的な強化学習環境として,インタラクティブコーディングの軽量でフレキシブルで使いやすいフレームワークであるInterCodeを紹介した。私たちのフレームワークは、言語とプラットフォームに依存しない、自己完結型のDocker環境を使用して、安全で再現可能な実行を提供します。我々は、異なるプロンプト戦略で構成された複数の最先端LLMを評価することにより、InterCodeの生存性をテストベッドとして示す。
論文参考訳（メタデータ） (2023-06-26T17:59:50Z)
Empirical Analysis on Effectiveness of NLP Methods for Predicting Code Smell [3.2973778921083357]
コードの臭いは、システムに固有の問題の表面的な指標である。 629パッケージ上に3つのExtreme機械学習マシンカーネルを使用して、8つのコードの臭いを識別します。以上の結果から,放射基底関数型カーネルは,平均98.52の精度で3つのカーネル法のうち最高の性能を発揮することが示唆された。
論文参考訳（メタデータ） (2021-08-08T12:10:20Z)
COSEA: Convolutional Code Search with Layer-wise Attention [90.35777733464354]
我々は、畳み込みニューラルネットワークを階層的注意で活用し、コード固有の構造論理をキャプチャする新しいディープラーニングアーキテクチャ、COSEAを提案する。 COSEAは、コード検索タスクの最先端メソッドよりも大幅に改善できる。
論文参考訳（メタデータ） (2020-10-19T13:53:38Z)
Visual Relationship Detection with Visual-Linguistic Knowledge from Multimodal Representations [103.00383924074585]
視覚的関係検出は、画像内の有能なオブジェクト間の関係を推論することを目的としている。変換器からの視覚言語表現(RVL-BERT)という新しい手法を提案する。 RVL-BERTは、自己教師付き事前学習を通じて学習した視覚的・言語的常識知識を用いて空間推論を行う。
論文参考訳（メタデータ） (2020-09-10T16:15:09Z)
Visual Compositional Learning for Human-Object Interaction Detection [111.05263071111807]
人間-物体相互作用(Human-Object Interaction,HOI)は、画像中の人間と物体の関係を局所化し、推測することを目的としている。オブジェクトと動詞の型の組み合わせの膨大な数が、長い尾の分布を形成するため、これは難しい。私たちは、この問題に効果的に対処するための、シンプルで効率的なフレームワークである、深いビジュアルコンポジション学習フレームワークを考案しました。
論文参考訳（メタデータ） (2020-07-24T08:37:40Z)

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。