論文の概要: A First Look at the Lifecycle of DL-Specific Self-Admitted Technical Debt

• arxiv url: http://arxiv.org/abs/2510.03802v1
• Date: Sat, 04 Oct 2025 12:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.260725
• Title: A First Look at the Lifecycle of DL-Specific Self-Admitted Technical Debt
• Title（参考訳）: DL-Specific Self-Admitted Technical Debtのライフサイクル
• Authors: Gilberto Recupito, Vincenzo De Martino, Dario Di Nucci, Fabio Palomba,
• Abstract要約: 自己受け入れ技術的負債(SATD)は、MLおよびDL対応システムにおいて、ますます関心が高まりつつある。 本研究では,DL対応システムにおけるDL固有のSATDの持続性とライフサイクルについて予備的検討を行った。
• 参考スコア（独自算出の注目度）: 9.557146081524012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid adoption of Deep Learning (DL)-enabled systems has revolutionized software development, driving innovation across various domains. However, these systems also introduce unique challenges, particularly in maintaining software quality and performance. Among these challenges, Self-Admitted Technical Debt (SATD) has emerged as a growing concern, significantly impacting the maintainability and overall quality of ML and DL-enabled systems. Despite its critical implications, the lifecycle of DL-specific SATD, how developers introduce, acknowledge, and address it over time-remains underexplored. This study presents a preliminary analysis of the persistence and lifecycle of DL-specific SATD in DL-enabled systems. The purpose of this project is to uncover the patterns of SATD introduction, recognition, and durability during the development life cycle, providing information on how to manage these issues. Using mining software repository techniques, we examined 40 ML projects, focusing on 185 DL-specific SATD instances. The analysis tracked the introduction and persistence of SATD instances through project commit histories to assess their lifecycle and developer actions. The findings indicate that DL-specific SATD is predominantly introduced during the early and middle stages of project development. Training and Hardware phases showed the longest SATD durations, highlighting critical areas where debt accumulates and persists. Additionally, developers introduce DL-specific SATD more frequently during feature implementation and bug fixes. This study emphasizes the need for targeted DL-specific SATD management strategies in DL-enabled systems to mitigate its impact. By understanding the temporal characteristics and evolution of DL-specific SATD, developers can prioritize interventions at critical stages to improve the maintainability and quality of the system.
• Abstract（参考訳）: ディープラーニング(DL)対応システムの急速な採用は、ソフトウェア開発に革命をもたらし、さまざまな領域でイノベーションを推進している。 しかし、これらのシステムには、特にソフトウェアの品質とパフォーマンスを維持する上で、ユニークな課題も導入されている。 これらの課題の中で、自己承認技術的負債(SATD)は、MLおよびDL対応システムの保守性と全体的な品質に大きな影響を及ぼし、関心が高まりつつある。 その重要な意味にもかかわらず、DL固有のSATDのライフサイクル、開発者の導入、承認、対処方法は、未調査の時間的残余によって行われる。 本研究では,DL対応システムにおけるDL固有のSATDの持続性とライフサイクルについて予備的検討を行った。 本研究の目的は、SATDの導入、認識、耐久性のパターンを開発ライフサイクル中に明らかにし、これらの問題を管理するための情報を提供することである。 マイニングソフトウェアリポジトリ技術を用いて、40のMLプロジェクトを調査し、185のDL固有のSATDインスタンスに着目した。 この分析は、SATDインスタンスの導入と永続化をプロジェクトのコミット履歴を通じて追跡し、彼らのライフサイクルと開発者のアクションを評価した。 その結果,プロジェクト開発の初期段階と中期にDL特異的SATDが主に導入されることが示唆された。 トレーニングとハードウェアのフェーズでは、SATDの最長期間が示され、負債が蓄積し持続する重要な領域が強調された。 さらに、開発者は機能の実装やバグ修正の間、DL固有のSATDをより頻繁に導入する。 本研究は、DL対応システムにおいて、DL固有のSATD管理戦略を目標とし、その影響を軽減することの必要性を強調する。 DL固有のSATDの時間的特性と進化を理解することで、開発者はシステムの保守性と品質を改善するために重要な段階における介入を優先順位付けすることができる。

関連論文リスト

• Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting [70.83781268763215]
  視覚言語モデル(VLM)は、大規模事前学習を活用することで、多様なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 VLMは、クロスモーダル機能ドリフト、共有アーキテクチャによるパラメータ干渉、ゼロショット機能侵食など、ユニークな課題に直面している。 本調査は、生涯の視覚言語システムを開発する研究者にとって、包括的かつ診断的な基準となることを目的としている。
  論文  参考訳（メタデータ） (2025-08-06T09:03:10Z)
• Seek in the Dark: Reasoning via Test-Time Instance-Level Policy Gradient in Latent Space [82.75174050101108]
  テスト時間インスタンスレベルの適応(TTIA)を通じて推論を強化するフレームワークであるLatentSeekを紹介した。 LatentSeekは、GSM8K、MATH-500、AIME2024など、さまざまな推論ベンチマークで評価されている。 結果は、LatentSeekが一貫して強力なベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-19T16:26:02Z)
• CFReID: Continual Few-shot Person Re-Identification [130.5656289348812]
  Lifelong ReIDは、複数のドメインにまたがる知識を漸進的に学習し、蓄積するために提案されている。 LReIDモデルは、一般にプライバシとコストの懸念のためにアクセスできない、目に見えない各ドメインの大規模ラベル付きデータでトレーニングする必要がある。 本稿では,数ショットデータを用いてモデルをインクリメンタルにトレーニングし,すべてのドメインでテストするContinual Few-shot ReIDを提案する。
  論文  参考訳（メタデータ） (2025-03-24T09:17:05Z)
• Evidence is All We Need: Do Self-Admitted Technical Debts Impact Method-Level Maintenance? [1.0377683220196874]
  Self-Admitted Technical Debt (SATD)は、開発者がソースコードのコメントを通じて技術的負債を明示的に認める現象である。 本稿では,SATDがソフトウェア保守の様々な面に与える影響を,方法論レベルで実証的に検討することを目的とする。
  論文  参考訳（メタデータ） (2024-11-21T01:21:35Z)
• A Taxonomy of Self-Admitted Technical Debt in Deep Learning Systems [13.90991624629898]
  本稿では,ディープラーニングシステムにおける自己受け入れ技術的負債(SATD)の存在を実証的に分析する。 オープンコーディングにより, DL特異的SATDの分類を導出し, 7つのカテゴリと41の葉を特徴とした。
  論文  参考訳（メタデータ） (2024-09-18T09:21:10Z)
• Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
  大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。 しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。 我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
  論文  参考訳（メタデータ） (2024-03-12T13:31:14Z)
• Self-Admitted Technical Debt Detection Approaches: A Decade Systematic Review [5.670597842524448]
  技術的負債 (Technical debt, TD) とは、ソフトウェア開発において、最適な設計やコード決定に関連する長期的なコストを表す用語である。 開発者がこれらのトレードオフを明確に認めると、SATD(Self-Admitted Technical Debt)が発生する。 SATDの自動検出は、ますます重要な研究領域となっている。
  論文  参考訳（メタデータ） (2023-12-19T12:01:13Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Characterizing Performance Bugs in Deep Learning Systems [7.245989243616551]
  深層学習システムにおける症状,根本原因,およびパフォーマンスバグの露呈を特徴付けるための,最初の総合的研究について述べる。 以上の結果から, 高性能DLシステムの開発や, PBの検出, ローカライズが示唆された。 また、56PBのベンチマークをDLシステムに構築し、既存のアプローチでそれに取り組む能力を評価する。
  論文  参考訳（メタデータ） (2021-12-03T08:08:52Z)

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。