論文の概要: Measuring Delivery Consistency in Practice: A DORA Extension from a Multi-Platform Release Setting
- arxiv url: http://arxiv.org/abs/2606.00364v1
- Date: Fri, 29 May 2026 21:07:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 18:36:59.239654
- Title: Measuring Delivery Consistency in Practice: A DORA Extension from a Multi-Platform Release Setting
- Title（参考訳）: 実践におけるデリバリ一貫性の測定: マルチプラットフォームリリース設定からのDORA拡張
- Abstract要約: デリバリ一貫性(Delivery Consistency、DC)は、リリース間間隔の変動係数から導かれる、ケイデンス規則性の有界な第2モーメント尺度である。
DCは、同じDORA階層の配置を持つプラットフォームを区別できるが、ケイデンスの規則性が異なるプラットフォームを区別することができ、Matrixは、その読みを共有組織や手続き的制約を指し示すアーキタイプに要約した。
- 参考スコア（独自算出の注目度）: 6.661890986344375
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The DevOps Research and Assessment (DORA) framework is the most widely adopted measurement system for performance measurement across engineering teams. However, every DORA metric is a first-moment statistic or a simple ratio, which limits the potential insights into engineering process. For example, metrics like Deployment Frequency do not capture the distributional shape of deployment timing, so teams with identical measures can deploy on a metronomic cadence or in undesirably erratic bursts. We have been developing and piloting Delivery Consistency (DC), a bounded second-moment measure of cadence regularity derived from the coefficient of variation of inter-release intervals. In conjunction with other DORA concepts, we integrated DC into the Delivery Health Matrix, an eight-archetype diagnostic that maps joint readings to differentiated interventions. We report an experience evaluation on a four-platform software delivery group using 120 weeks of data extracted from our Jira, GitHub, and Firebase records. DC allowed us to distinguish platforms with identical DORA tier placements but different cadence regularity, and the Matrix summarized the readings into an archetype that pointed at a shared organization or procedural constraint.
- Abstract（参考訳）: DevOps Research and Assessment(DORA)フレームワークは、エンジニアリングチーム間でのパフォーマンス測定に最も広く採用されている測定システムである。
しかしながら、全てのDORA計量は第一モーメント統計あるいは単純な比であり、エンジニアリングプロセスに対する潜在的な洞察を制限する。
例えば、デプロイメント頻度のようなメトリクスは、デプロイメントタイミングの分布形状を捉えないため、同じ測定値のチームは、メトロノミカルなケイデンスや、望ましくない不規則なバーストにデプロイすることができます。
我々は、リリース間間隔の変動係数から導かれるケイデンス規則性の有界第2モーメント尺度であるDelivery Consistency(DC)を開発し、操縦してきた。
他のDORAの概念と合わせて、私たちはDCを8階層型の診断装置であるDelivery Health Matrixに統合しました。
我々は、Jira、GitHub、Firebaseのレコードから抽出した120週間のデータを用いて、4プラットフォームソフトウェアデリバリグループでの経験評価を行った。
DCは、同じDORA階層の配置を持つプラットフォームを区別できるが、ケイデンスの規則性が異なるプラットフォームを区別することができ、Matrixは、その読みを共有組織や手続き的制約を指し示すアーキタイプに要約した。
関連論文リスト
- BC-Bench: Evaluating Agentic Engineering in a Domain-Specific Language for ERP [20.47634814037652]
BC-Benchは、Microsoft Dynamics 365 Business Centralにおける実世界のタスクのエージェントエンジニアリングを評価するために設計されたベンチマークである。
BC-Benchは、Microsoftが所有する2つのプロダクションリポジトリから抽出された101の作業からなる。
我々は2つのエージェントハーネスにまたがる複数のフロンティアモデルを評価し、非決定性を考慮したマルチラン指標を用いた。
論文 参考訳（メタデータ） (2026-08-21T08:16:21Z) - Measuring Differences between Conditional Distributions using Kernel Embeddings [17.88693838540775]
本稿では,条件分布間のばらつきを計測するカーネルベースの手法を研究するためのコヒーレントな枠組みを確立する。
そこで本研究では,条件付き最大平均誤差(CMMD)を2倍頑健に推定する手法を提案する。
論文 参考訳（メタデータ） (2026-05-04T06:16:00Z) - Quantifying Divergence in Inter-LLM Communication Through API Retrieval and Ranking [0.0]
大規模言語モデル(LLM)は、複雑なタスクを実行するために外部APIを優先する自律的なエージェントとして、ますます運用されている。
本稿では,LLM間の差異を定量化する統一ベンチマークフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-09T20:28:24Z) - SPEED-Bench: A Unified and Diverse Benchmark for Speculative Decoding [3.876913658180685]
投機的復号化(SD)は,Large Language Model(LLM)推論を高速化する重要な手法として登場した。
以前のベンチマークでは、タスクの多様性の制限、スループット指向の評価の不十分なサポート、プロダクション環境を反映できないハイレベルな実装への依存に悩まされていた。
SPEED-Benchは多種多様な意味領域と現実的なサービス体制をまたいだSD評価を標準化するために設計された総合的なスイートである。
論文 参考訳（メタデータ） (2026-02-10T16:19:56Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - Episode-specific Fine-tuning for Metric-based Few-shot Learners with Optimization-based Training [13.5196633635749]
メトリックベースのモデルは、クエリの類似性を計算し、学習されたメトリック空間内の埋め込みをサポートする。
ラベル付けされていないクエリサンプルの分類を支援するため、推論中にラベル付きサポートサンプルの小さなセットが提供される。
そこで本研究では,メトリックベースモデルに対して,単純なエピソード固有かつ効果的なインジェクションの微調整手法を提案する。
論文 参考訳（メタデータ） (2025-06-20T22:24:38Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳（メタデータ） (2023-10-17T06:29:09Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳（メタデータ） (2023-08-04T12:27:11Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - Extending the WILDS Benchmark for Unsupervised Adaptation [186.90399201508953]
We present the WILDS 2.0 update, which extends 8 of the 10 datasets in the WILDS benchmark of distribution shifts to include curated unlabeled data。
これらのデータセットは、組織学から野生生物保護まで幅広い応用、タスク(分類、回帰、検出)、モダリティにまたがる。
ドメイン不変量や自己学習,自己管理など,ラベルのないデータを活用する最先端の手法を体系的にベンチマークする。
論文 参考訳（メタデータ） (2021-12-09T18:32:38Z)
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。