論文の概要: What Characterizes Pairwise Modular Smells?
- arxiv url: http://arxiv.org/abs/2606.22576v1
- Date: Sun, 21 Jun 2026 16:25:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 21:35:45.301921
- Title: What Characterizes Pairwise Modular Smells?
- Title（参考訳）: Pairwise Modular Smellsの特長は?
- Authors: Chenxing Zhong, Daniel Feitosa, Paris Avgeriou, Huang Huang, Wei Song, He Zhang,
- Abstract要約: この研究は、Pairwise Modular Smell(またはPairSmell)と呼ばれる、新しく実用的な建築の匂いを紹介します。
まず,2つのエンティティ間の関係を表現するために文献で使われている19のペア特性の収集と合成を行う。
収集された特徴は、2種類のPairSmellを予測する機械学習モデルをトレーニングするために使用される。
- 参考スコア（独自算出の注目度）: 18.12469419921391
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enhancing the modular structure of existing systems has attracted substantial research interest, primarily through (1) software modularization and (2) identifying design issues (e.g., smells) as refactoring opportunities; however, both approaches often prove impractical to guide effective improvement. Inspired by both aforementioned approaches, our previous study introduced a novel and practical architectural smell -- called Pairwise Modular Smell (or PairSmell) -- for identifying flawed architectural decisions that necessitate further examination. The objective of this study is to explain PairSmell from the perspective of pair characteristics. To this end, we first conduct a rapid review to collect and synthesize 19 pair characteristics that have been used in the literature to represent relationships between two entities. The collected characteristics are then used to train machine learning models for predicting two forms of PairSmell -- inapt separated pairs InSep and inapt collocated pairs InCol, based on a curated dataset of over 6,135,000 pairs of entities derived from 11 open-source Java projects. The trained models achieve up to a 58.6% improvement in ROC-AUC over the baselines. The interpretation of the models reveals that the most influential features for InSep are out-going dependencies, terms shared with others, and declared fields; while those for InCol include semantic similarity based on tf-idf, terms shared between the pair, terms shared with others, and in-going dependencies. We complement the work with a series of practical examples to illustrate how the influential pair characteristics impact the occurrence of PairSmell.
- Abstract（参考訳）: 既存のシステムのモジュール化構造を強化することは、(1)ソフトウェアモジュール化と(2)設計上の問題(例えば匂い)をリファクタリングの機会として識別することを通じて、かなりの研究の関心を集めている。
上記の2つのアプローチに触発されて、我々の以前の研究はPairwise Modular Smell(またはPairSmell)と呼ばれる新しい実践的なアーキテクチャの臭いを導入しました。
本研究の目的は,ペア特性の観点からPairSmellを説明することである。
この目的のために,我々はまず,2つの実体間の関係を表現するために文献で用いられてきた19のペア特性の収集と合成を行う。
収集された特徴は、11つのオープンソースJavaプロジェクトから派生した6,135,000以上のエンティティのキュレートされたデータセットに基づいて、PairSmellの2つの形式の予測のための機械学習モデルをトレーニングするために使用される。
トレーニングされたモデルは、ベースラインよりも最大58.6%改良されたROC-AUCを達成する。
モデルの解釈では、InSepの最も影響力のある機能は、外部依存関係、他者と共有された用語、宣言されたフィールドである。
本研究は、PairSmellの発生に影響を及ぼす影響のあるペアの特徴を説明するために、一連の実例を用いて、本研究を補完する。
関連論文リスト
- PairSmell: A Novel Perspective Inspecting Software Modular Structure [16.63597024641586]
本稿では,モジュール化を利用した新しい概念であるPairSmellを紹介する。
我々は、20のC/C++およびJavaプロジェクトに関する実証的研究を行い、4つの確立されたモジュール化ツールを使用します。
260,003インスタンスに関する我々の研究は、アーキテクチャへの影響がかなり大きいことを明らかにしている。
論文 参考訳（メタデータ） (2024-11-01T20:29:42Z) - CiteFusion: An Ensemble Framework for Citation Intent Classification Harnessing Dual-Model Binary Couples and SHAP Analyses [1.6695303704829412]
CiteFusionは、SciCiteとACL-ARCという2つのベンチマークデータセット上のマルチクラスCitation Intent Classificationタスクに対処する。
実験の結果、CiteFusionは最先端のパフォーマンスを達成し、Macro-F1スコアはSciCiteで89.60%、ACL-ARCで76.24%であった。
我々は、SciCiteで開発されたCiteFusionモデルを利用して、引用意図を分類するWebベースのアプリケーションをリリースする。
論文 参考訳（メタデータ） (2024-07-18T09:29:33Z) - Robust Training of Federated Models with Extremely Label Deficiency [84.00832527512148]
フェデレーション半教師付き学習(FSSL)は、ラベル不足を伴う分散データを用いて機械学習モデルを協調訓練するための強力なパラダイムとして登場した。
我々は,ラベル付きおよびラベルなしデータの異なる視点から洞察を提供することにより相互指導を強化するために,ツインサイトと呼ばれる新しいツインモデルパラダイムを提案する。
4つのベンチマークデータセットに関する包括的な実験は、Twin-sightが様々な実験環境において最先端の手法を著しく上回っていることを示す重要な証拠となる。
論文 参考訳（メタデータ） (2024-02-22T10:19:34Z) - Local Consensus Enhanced Siamese Network with Reciprocal Loss for
Two-view Correspondence Learning [35.5851523517487]
2視点対応学習は通常、一致の信頼性と相対的なポーズを共同で予測するエンドツーエンドネットワークを確立する。
本稿では,既存のモデルの特徴を増強するローカル・フィーチャー・コンセンサス (LFC) プラグイン・ブロックを提案する。
我々は既存のモデルを相互予測の監督を生かした相互損失を伴うシームズネットワークに拡張する。
論文 参考訳（メタデータ） (2023-08-06T22:20:09Z) - Towards Better Document-level Relation Extraction via Iterative
Inference [29.62043809208398]
文書レベルの関係抽出(RE)は、入力文書からエンティティ間の関係を抽出することを目的としている。
本稿では,反復推論を用いた新しい文書レベルのREモデルを提案する。
3つの一般的なデータセットの実験結果から、我々のモデルは、他の競争ベースラインよりも一貫して優れています。
論文 参考訳（メタデータ） (2022-11-26T03:57:34Z) - PAIR: Leveraging Passage-Centric Similarity Relation for Improving Dense
Passage Retrieval [87.68667887072324]
本稿では,クエリ中心とPAssage中心のsmilarity Relations(PAIR)を併用した新しい手法を提案する。
本稿では,2種類の類似性関係の形式的定式化を導入することにより,3つの主要な技術的貢献を行う。
MSMARCOとNatural Questionsの両方のデータセットにおいて、従来の最先端モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2021-08-13T02:07:43Z) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳（メタデータ） (2020-11-27T06:21:12Z) - A Frustratingly Easy Approach for Entity and Relation Extraction [25.797992240847833]
本稿では,エンティティと関係抽出のための簡単なパイプライン化手法を提案する。
標準ベンチマーク(ACE04、ACE05、SciERC)における新しい最先端技術を確立する。
このアプローチは基本的に2つの独立したエンコーダ上に構築され、単にエンティティモデルを使用して関係モデルの入力を構築します。
論文 参考訳（メタデータ） (2020-10-24T07:14:01Z) - Learning to Decouple Relations: Few-Shot Relation Classification with
Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。
一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。
一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文 参考訳（メタデータ） (2020-10-21T11:07:53Z) - Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。
両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。
RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
論文 参考訳（メタデータ） (2020-07-23T14:00:34Z)
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。