論文の概要: Towards Effective Issue Assignment using Online Machine Learning
- arxiv url: http://arxiv.org/abs/2505.02437v1
- Date: Mon, 05 May 2025 08:05:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.593551
- Title: Towards Effective Issue Assignment using Online Machine Learning
- Title（参考訳）: オンライン機械学習を用いた効果的な課題割り当てに向けて
- Authors: Athanasios Michailoudis, Themistoklis Diamantopoulos, Antonios Favvas, Andreas L. Symeonidis,
- Abstract要約: ソフトウェアプロジェクトの進化する特性に適応するオンライン機械学習手法を提案する。
我々のシステムは課題をデータストリームとして処理し、新しいデータから動的に学習し、チーム構成やプロジェクト要件の変更に対してリアルタイムで調整します。
- 参考スコア（独自算出の注目度）: 1.3749490831384266
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient issue assignment in software development relates to faster resolution time, resources optimization, and reduced development effort. To this end, numerous systems have been developed to automate issue assignment, including AI and machine learning approaches. Most of them, however, often solely focus on a posteriori analyses of textual features (e.g. issue titles, descriptions), disregarding the temporal characteristics of software development. Thus, they fail to adapt as projects and teams evolve, such cases of team evolution, or project phase shifts (e.g. from development to maintenance). To incorporate such cases in the issue assignment process, we propose an Online Machine Learning methodology that adapts to the evolving characteristics of software projects. Our system processes issues as a data stream, dynamically learning from new data and adjusting in real time to changes in team composition and project requirements. We incorporate metadata such as issue descriptions, components and labels and leverage adaptive drift detection mechanisms to identify when model re-evaluation is necessary. Upon assessing our methodology on a set of software projects, we conclude that it can be effective on issue assignment, while meeting the evolving needs of software teams.
- Abstract（参考訳）: ソフトウェア開発における効率的な課題割り当ては、より高速な解決時間、リソース最適化、開発労力の削減に関連する。
この目的のために、AIや機械学習アプローチなど、課題割り当てを自動化するために多くのシステムが開発されている。
しかし、それらの多くは、しばしば、ソフトウェア開発の時間的特性を無視して、テキストの特徴(例えば、タイトル、記述)の後方分析にのみ焦点をあてる。
このように、プロジェクトやチームが進化するにつれて、チームの進化やプロジェクトフェーズのシフト(例えば、開発からメンテナンス)に適応できなくなります。
このようなケースを課題割り当てプロセスに組み込むため,ソフトウェアプロジェクトの進化する特性に適応するオンライン機械学習手法を提案する。
我々のシステムは課題をデータストリームとして処理し、新しいデータから動的に学習し、チーム構成やプロジェクト要件の変更に対してリアルタイムで調整します。
問題記述やコンポーネント,ラベルなどのメタデータを組み込んで,適応的なドリフト検出機構を活用して,モデルの再評価が必要なタイミングを特定する。
一連のソフトウェアプロジェクトで方法論を評価すると、ソフトウェアチームの進化するニーズに応えつつ、課題の割り当てに効果的であると結論付けます。
関連論文リスト
- Does Machine Unlearning Truly Remove Model Knowledge? A Framework for Auditing Unlearning in LLMs [58.24692529185971]
本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。
異なるアンラーニング戦略の有効性とロバスト性を評価する。
論文 参考訳（メタデータ） (2025-05-29T09:19:07Z) - Towards an Interpretable Analysis for Estimating the Resolution Time of Software Issues [1.4039240369201997]
プロジェクトごとに問題を修正するのに必要な実際の労力を抽出する問題監視システムを構築します。
提案手法では,トピックモデリングを用いて問題セマンティクスを抽出し,メタデータを解釈可能な解像度時間解析に活用する。
論文 参考訳（メタデータ） (2025-05-02T08:38:59Z) - QualiTagger: Automating software quality detection in issue trackers [4.917423556150366]
この研究は、Transformerのような最先端のモデルを使って、テキストが通常、異なる品質特性に関連付けられているものを特定する。
また,オープンアクセス可能なソフトウェアリポジトリからのイシュートラッカにおける品質分布についても検討する。
論文 参考訳（メタデータ） (2025-04-15T10:40:40Z) - 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) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳（メタデータ） (2024-06-24T15:45:22Z) - Dealing with Data for RE: Mitigating Challenges while using NLP and
Generative AI [2.9189409618561966]
本章では、ソフトウェア工学全般の進化する展望、特に要件工学(RE)について論じている。
自然言語処理(NLP)と生成AIをエンタープライズクリティカルなソフトウェアシステムに統合する際に生じる課題について論じる。
本は、読者に必要な知識とツールを提供するために、実践的な洞察、解決策、例を提供する。
論文 参考訳（メタデータ） (2024-02-26T19:19:47Z) - ChatDev: Communicative Agents for Software Development [84.90400377131962]
ChatDevはチャットを利用したソフトウェア開発フレームワークで、特別なエージェントがコミュニケーション方法についてガイドされる。
これらのエージェントは、統一された言語ベースのコミュニケーションを通じて、設計、コーディング、テストフェーズに積極的に貢献する。
論文 参考訳（メタデータ） (2023-07-16T02:11:34Z) - Quantifying Process Quality: The Role of Effective Organizational
Learning in Software Evolution [0.0]
現実世界のソフトウェアアプリケーションは、常に進化し続けなければならない。
ソフトウェア品質管理の従来の手法には、ソフトウェアの品質モデルと継続的コード検査ツールが含まれる。
しかし、開発プロセスの品質と結果のソフトウェア製品との間には、強い相関関係と因果関係がある。
論文 参考訳（メタデータ） (2023-05-29T12:57:14Z) - Automotive Perception Software Development: An Empirical Investigation
into Data, Annotation, and Ecosystem Challenges [10.649193588119985]
機械学習アルゴリズムを含むソフトウェアは、自動車認識の不可欠な部分である。
このようなソフトウェアの開発、特に機械学習コンポーネントのトレーニングと検証には、大きな注釈付きデータセットが必要である。
データとアノテーションサービスの業界が出現し、このようなデータ集約型の自動車ソフトウェアコンポーネントの開発に役立っている。
論文 参考訳（メタデータ） (2023-03-10T14:29:06Z) - 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) - 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) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。