論文の概要: A Survey of Algorithm Debt in Machine and Deep Learning Systems: Definition, Smells, and Future Work

• arxiv url: http://arxiv.org/abs/2604.06363v1
• Date: Tue, 07 Apr 2026 18:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.185615
• Title: A Survey of Algorithm Debt in Machine and Deep Learning Systems: Definition, Smells, and Future Work
• Title（参考訳）: 機械・深層学習システムにおけるアルゴリズム負債の実態調査:定義,スメル,今後の課題
• Authors: Emmanuel Iko-Ojo Simon, Chirath Hettiarachchi, Fatemeh Fard, Alex Potanin, Hanna Suominen,
• Abstract要約: 機械学習とディープラーニング(ML/DL)技術はメンテナンス上の課題を導入し、技術的負債(TD)に繋がる Algorithm Debt (AD)は、ML/DLシステムの性能とスケーラビリティに影響を与えるTD型である。 42の一次研究のレビューでは、ADの定義を拡張し、その暗黙の存在を明らかにし、その匂いを特定し、将来の方向性を強調した。
• 参考スコア（独自算出の注目度）: 8.14920620224584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The adoption of Machine and Deep Learning (ML/DL) technologies introduces maintenance challenges, leading to Technical Debt (TD). Algorithm Debt (AD) is a TD type that impacts the performance and scalability of ML/DL systems. A review of 42 primary studies expanded AD's definition, uncovered its implicit presence, identified its smells, and highlighted future directions. These findings will guide an AD-focused study, enhancing the reliability of ML/DL systems.
• Abstract（参考訳）: ML/DL(Machine and Deep Learning)技術の採用はメンテナンス上の課題を導入し、技術的負債(Technical Debt, TD)に繋がる。 Algorithm Debt (AD)は、ML/DLシステムの性能とスケーラビリティに影響を与えるTD型である。 42の一次研究のレビューでは、ADの定義を拡張し、その暗黙の存在を明らかにし、その匂いを特定し、将来の方向性を強調した。 これらの知見は、ADに焦点を当てた研究を導き、ML/DLシステムの信頼性を高める。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Automated Detection of Algorithm Debt in Deep Learning Frameworks: An Empirical Study [5.6340045820686155]
  以前の研究では、ML/DLモデルが、自己受け入れ技術的負債(SATD)と呼ばれるソースコードコメントから技術的負債を検出できることが示されている。 我々の目標は、様々なML/DLモデルのAD検出性能を改善することである。
  論文  参考訳（メタデータ） (2024-08-20T04:06:58Z)
• A Survey on Knowledge Distillation of Large Language Models [99.11900233108487]
  知識蒸留(KD)は、高度な能力をオープンソースモデルに転送するための重要な方法論である。 本稿では,大規模言語モデル(LLM)の領域におけるKDの役割を包括的に調査する。
  論文  参考訳（メタデータ） (2024-02-20T16:17:37Z)
• Position: Bayesian Deep Learning is Needed in the Age of Large-Scale AI [189.05642691423347]
  本稿では,ベイズ深層学習(BDL)の強みを再考し,既存の課題を認識した。 これらの障害に対処するための、エキサイティングな研究の道のりが浮かび上がっている。 今後の議論は、大規模ファンデーションモデルをBDLと組み合わせて、その潜在能力を最大限に活用する方法に焦点を当てている。
  論文  参考訳（メタデータ） (2024-02-01T17:45:26Z)
• Self-Supervision for Tackling Unsupervised Anomaly Detection: Pitfalls and Opportunities [50.231837687221685]
  自己教師付き学習(SSL)は、機械学習とその多くの現実世界のアプリケーションに変化をもたらした。 非教師なし異常検出(AD)は、自己生成性擬似異常によりSSLにも乗じている。
  論文  参考訳（メタデータ） (2023-08-28T07:55:01Z)
• STPA for Learning-Enabled Systems: A Survey and A New Practice [12.665507596261266]
  システム理論プロセス分析(System Theoretic Process Analysis、STPA)は、輸送、エネルギー、防衛を含む多くの産業セクターで使用されているハザード分析の体系的なアプローチである。 安全クリティカルシステムにおける機械学習(ML)の利用傾向は、学習可能システム(LES)へのSTPAの拡張の必要性につながっている。 我々は,31論文の体系的な調査を行い,これらを5つの視点から要約する(関心,研究対象,修正,デリバティブ,プロセスのモデル化)。 私たちはDeepSTPAを紹介します。DeepSTPAは、現状から欠落している2つの側面から、DeepSTPAを強化します。
  論文  参考訳（メタデータ） (2023-02-21T10:43:51Z)
• A new interpretable unsupervised anomaly detection method based on residual explanation [47.187609203210705]
  本稿では,大規模システムにおけるAEベースのADの制限に対処する新しい解釈可能性手法であるRXPを提案する。 実装の単純さ、計算コストの低さ、決定論的振る舞いが特徴である。 実鉄道路線のデータを用いた実験において,提案手法はSHAPよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-14T15:35:45Z)

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。