論文の概要: Beyond Code Contributions: How Network Position, Temporal Bursts, and Code Review Activities Shape Contributor Influence in Large-Scale Open Source Ecosystems
- arxiv url: http://arxiv.org/abs/2602.06426v1
- Date: Fri, 06 Feb 2026 06:47:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-09 22:18:26.264343
- Title: Beyond Code Contributions: How Network Position, Temporal Bursts, and Code Review Activities Shape Contributor Influence in Large-Scale Open Source Ecosystems
- Title（参考訳）: コードコントリビューションを超えて:大規模オープンソースエコシステムにおけるネットワーク位置、時間バースト、コードレビューアクティビティのコントリビュータの影響
- Authors: S M Rakib Ul Karim, Wenyi Lu, Sean Goggins,
- Abstract要約: オープンソースのソフトウェアプロジェクトは、イノベーションと持続可能性を促進するコントリビュータの複雑なネットワークに依存している。
本研究では,高度なグラフニューラルネットワークと時間的ネットワーク解析を用いたOSSコントリビュータネットワークの包括的解析を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open source software (OSS) projects rely on complex networks of contributors whose interactions drive innovation and sustainability. This study presents a comprehensive analysis of OSS contributor networks using advanced graph neural networks and temporal network analysis on data spanning 25 years from the Cloud Native Computing Foundation ecosystem, encompassing sandbox, incubating, and graduated projects. Our analysis of thousands of contributors across hundreds of repositories reveals that OSS networks exhibit strong power-law distributions in influence, with the top 1\% of contributors controlling a substantial portion of network influence. Using GPU-accelerated PageRank, betweenness centrality, and custom LSTM models, we identify five distinct contributor roles: Core, Bridge, Connector, Regular, and Peripheral, each with unique network positions and structural importance. Statistical analysis reveals significant correlations between specific action types (commits, pull requests, issues) and contributor influence, with multiple regression models explaining substantial variance in influence metrics. Temporal analysis shows that network density, clustering coefficients, and modularity exhibit statistically significant temporal trends, with distinct regime changes coinciding with major project milestones. Structural integrity simulations show that Bridge contributors, despite representing a small fraction of the network, have a disproportionate impact on network cohesion when removed. Our findings provide empirical evidence for strategic contributor retention policies and offer actionable insights into community health metrics.
- Abstract（参考訳）: オープンソースソフトウェア(OSS)プロジェクトは、イノベーションと持続可能性を促進するコトリビュータの複雑なネットワークに依存しています。
本研究では,高度なグラフニューラルネットワークを用いたOSSコントリビュータネットワークの包括的解析と,サンドボックス,インキュベーション,卒業プロジェクトを含むCloud Native Computing Foundationエコシステムから25年間にわたるデータに対する時間的ネットワーク解析を提案する。
何百ものリポジトリにまたがる何千ものコントリビュータの分析によると、OSSネットワークは強力なパワーロー分布を示しており、コントリビュータのトップ1\%がネットワークの影響の大部分をコントロールしています。
GPUアクセラレーションされたPageRank、相互中心性、カスタムLSTMモデルを使用して、コア、ブリッジ、コネクタ、レギュラー、周辺という5つの異なるコントリビュータの役割を特定し、それぞれ独自のネットワーク位置と構造的重要性を持つ。
統計的分析により、特定のアクションタイプ(コミット、プルリクエスト、問題)とコントリビュータの影響との間に有意な相関関係が明らかとなり、複数の回帰モデルが影響指標のかなりのばらつきを説明する。
時間的分析により、ネットワーク密度、クラスタリング係数、モジュール性は統計的に重要な時間的傾向を示し、主要なプロジェクトマイルストーンと異なる構造変化が生じる。
構造的整合性シミュレーションにより、ブリッジのコントリビュータは、ネットワークのごく一部を代表しているが、取り除くとネットワークの凝集に不均等な影響を及ぼすことが示された。
本研究は, 戦略的コントリビュータ維持政策の実証的証拠を提供し, 地域保健指標に対する実用的な洞察を提供する。
関連論文リスト
- Interpretable Network-assisted Random Forest+ [2.776181981917578]
我々はランダム森林(RF+)の一般化に基づくフレキシブルネットワーク支援モデル群を開発する。
我々は,グローバルおよびローカルな重要度と,所定の観測の影響を評価するためのサンプル影響度の両方を提供する。
このツールスイートは、高インパクト問題に対するネットワーク支援機械学習のスコープと適用性を広げる。
論文 参考訳（メタデータ） (2025-09-19T05:22:06Z) - Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding [2.654975444537834]
多くのネットワーク研究の鍵となる疑問は、観測された単位間の相関は、主に感染や潜伏によるものであるかである。
ネットワーク因果効果の推定手法を提案する。
実世界のネットワークを用いて,合成データによる手法の有効性と仮定の有効性を評価する。
論文 参考訳（メタデータ） (2024-11-02T22:12:44Z) - Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。
GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文 参考訳（メタデータ） (2022-11-15T13:00:25Z) - Pitfalls of Climate Network Construction: A Statistical Perspective [13.623860700196625]
球面上の時間依存等方性確率場をシミュレートし,共通ネットワーク構築手法を適用した。
推定手順から生じる不確実性が,ネットワーク特性に大きく影響を与える方法がいくつか見出された。
論文 参考訳（メタデータ） (2022-11-05T11:59:55Z) - A Coupled CP Decomposition for Principal Components Analysis of
Symmetric Networks [11.988825533369686]
シーケンスネットワークデータのための主成分分析(PCA)フレームワークを提案する。
提案した「結合CP」分解の効率的な計算アルゴリズムを導出する。
本稿は、シミュレーションデータと、政治科学・金融経済学の事例における提案の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-09T20:52:19Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳（メタデータ） (2021-05-26T14:37:07Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Deep Archimedean Copulas [98.96141706464425]
ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。
我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
論文 参考訳（メタデータ） (2020-12-05T22:58:37Z) - A game-theoretic analysis of networked system control for common-pool
resource management using multi-agent reinforcement learning [54.55119659523629]
マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。
共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
論文 参考訳（メタデータ） (2020-10-15T14:12:26Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-16T18:39:04Z)
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。