論文の概要: From Noise to Knowledge: Interactive Summaries for Developer Alerts

• arxiv url: http://arxiv.org/abs/2508.07169v1
• Date: Sun, 10 Aug 2025 04:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.734141
• Title: From Noise to Knowledge: Interactive Summaries for Developer Alerts
• Title（参考訳）: ノイズから知識へ - 開発者アラートのためのインタラクティブな要約
• Authors: Burak Yetiştiren, Hong Jin Kang, Miryung Kim,
• Abstract要約: CLARITYは、インタラクティブな調査を通じてツール生成警告の解釈をサポートする。 CLARITYのルール推論アルゴリズムは、ユーザが警告を興味深くも興味も持たないものとしてマークするので、一般的な症状が現れる。 我々の評価は,CLARITYの能動的学習に基づく要約により,対話的警告感覚の創造が促進されることを示唆している。
• 参考スコア（独自算出の注目度）: 7.092554770996391
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Programmers using bug-finding tools often review their reported warnings one by one. Based on the insight that identifying recurring themes and relationships can enhance the cognitive process of sensemaking, we propose CLARITY, which supports interpreting tool-generated warnings through interactive inquiry. CLARITY derives summary rules for custom grouping of related warnings with active feedback. As users mark warnings as interesting or uninteresting, CLARITY's rule inference algorithm surfaces common symptoms, highlighting structural similarities in containment, subtyping, invoked methods, accessed fields, and expressions. We demonstrate CLARITY on Infer and SpotBugs warnings across two mature Java projects. In a within-subject user study with 14 participants, users articulated root causes for similar uninteresting warnings faster and with more confidence using CLARITY. We observed significant individual variation in desired grouping, reinforcing the need for customizable sensemaking. Simulation shows that with rule-level feedback, only 11.8 interactions are needed on average to align all inferred rules with a simulated user's labels (vs. 17.8 without). Our evaluation suggests that CLARITY's active learning-based summarization enhances interactive warning sensemaking.
• Abstract（参考訳）: バグフィリングツールを使用するプログラマは、報告された警告をひとつずつレビューすることが多い。 反復するテーマや関係を識別することで、感覚形成の認知過程が促進されるという知見に基づいて、対話的な調査を通じてツール生成警告の解釈を支援するCLARITYを提案する。 CLARITYは、アクティブなフィードバックと関連する警告のカスタムグループ化のための概要ルールを導出する。 CLARITYのルール推論アルゴリズムは、ユーザが警告を興味深くも興味も持たないものとしてマークするので、封じ込め、サブタイプ、呼び出されたメソッド、アクセスされたフィールド、式などの構造的類似性を強調して、一般的な症状を表面化する。 InferとSpotBugsの警告にCLARITYを2つの成熟したJavaプロジェクトで示す。 14名の被験者を対象にした内的ユーザスタディでは、ユーザがCLARITYを使用して、同様の関心のない警告を素早く、より自信を持って根本原因を明示した。 所望のグルーピングにおける個人差が顕著であり,カスタマイズ可能なセンスメイキングの必要性が強くなった。 シミュレーションによれば、ルールレベルのフィードバックでは、シミュレーションされたユーザのラベル(vs. 17.8なし)と推論されたすべてのルールを整列するために平均して11.8のインタラクションしか必要としない。 我々の評価は,CLARITYの能動的学習に基づく要約が,対話的警告感覚の創出を促進することを示唆している。

関連論文リスト

• CTR-Sink: Attention Sink for Language Models in Click-Through Rate Prediction [42.92011330807996]
  $textitCTR-Sink$は、レコメンデーションシナリオに適した振る舞いレベルの注意シンクを導入した、新しいフレームワークである。 注意シンク理論にヒントを得て、注意集中シンクを構築し、外部情報を介して注意集約を動的に制御する。
  論文  参考訳（メタデータ） (2025-08-05T17:30:34Z)
• EgoPrompt: Prompt Learning for Egocentric Action Recognition [49.12318087940015]
  EgoPromptは、エゴセントリックな行動認識タスクを実行するための、素早い学習ベースのフレームワークである。 EgoPromptは、内部データセット、クロスデータセット、ベース・ツー・ノーベルの一般化ベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-08-05T09:47:07Z)
• Creating General User Models from Computer Use [62.91116265732001]
  本稿では,コンピュータとのインタラクションを観察することでユーザについて学習する汎用ユーザモデル(GUM)のアーキテクチャを提案する。 GUMは、ユーザ(例えばデバイスのスクリーンショット)の非構造化観察を入力として受け取り、ユーザの知識と好みをキャプチャする信頼度重み付け命題を構築する。
  論文  参考訳（メタデータ） (2025-05-16T04:00:31Z)
• Mind the Gap! Static and Interactive Evaluations of Large Audio Models [55.87220295533817]
  大型オーディオモデル(LAM)は、音声ネイティブな体験をパワーアップするために設計されている。 本研究は,484名の参加者から,LAMを評価し,7,500名のLAMインタラクションを収集する対話的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-21T20:29:02Z)
• Learning Generalizable Prompt for CLIP with Class Similarity Knowledge [1.3198143828338362]
  本稿では,手作りプロンプトによって獲得されたクラス間の意味的関係を維持するために,SAR(Simisity Alignment Regularization)を提案する。 まず、ChatGPT-4oを使ってベースクラスに関連する新しいクラスを取得し、プロンプトチューニング中に潜在的に見つからないクラスとして利用する。 そして,基本クラスと新規クラスの両方を対象とすることにより,学習可能なプロンプトによって生成されたテキスト埋め込み間の類似性関係を手作りプロンプトの類似性関係と整合させる。
  論文  参考訳（メタデータ） (2025-02-17T16:18:07Z)
• Intent-Interest Disentanglement and Item-Aware Intent Contrastive Learning for Sequential Recommendation [2.8895603929817217]
  本研究では,ユーザの行動の包括的理解のために,ユーザの行動を,ユーザの安定した嗜好である意図に分解する方法を示す。 また,同じインタラクションで発生した意図を一致させ,対応する意図によって発生した項目の組み合わせと意図を一致させる,項目認識のコントラスト学習も導入する。
  論文  参考訳（メタデータ） (2025-01-13T07:09:01Z)
• Spatio-Temporal Context Prompting for Zero-Shot Action Detection [13.22912547389941]
  本稿では,視覚言語モデルの豊富な知識を効果的に活用し,対人インタラクションを実現する手法を提案する。 同時に複数の人物による異なる行動を認識するという課題に対処するために,興味あるトークンスポッティング機構を設計する。 提案手法は,従来の手法に比べて優れた結果を得ることができ,さらにマルチアクションビデオに拡張することができる。
  論文  参考訳（メタデータ） (2024-08-28T17:59:05Z)
• SeGA: Preference-Aware Self-Contrastive Learning with Prompts for Anomalous User Detection on Twitter [14.483830120541894]
  本稿では,ユーザの異常検出のための自己コントラスト学習であるSeGAを提案する。 SeGAは、投稿を通じてユーザの好みを要約するために、大きな言語モデルを使用する。 モデル設計と事前学習戦略の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-12-17T05:35:28Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)

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。