論文の概要: A Methodology for Investigating AI Patterns Prevalence in Software Repositories

• arxiv url: http://arxiv.org/abs/2607.00558v1
• Date: Wed, 01 Jul 2026 07:46:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.785612
• Title: A Methodology for Investigating AI Patterns Prevalence in Software Repositories
• Title（参考訳）: ソフトウェアリポジトリにおけるAIパターンの有病率調査手法
• Abstract要約: 44の公表されたAIパターン関連ソースをマイニングすることで、14のAIパターンクラスを識別する。 次に、アクティブな学習アプローチを使用して、100のGitHubオープンAIレポジトリで最も一般的なパターンクラスの有効性を決定します。
• 参考スコア（独自算出の注目度）: 1.3077849036833011
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As Artificial Intelligence(AI)-based applications take off, a clear understanding of AI patterns can uplift the quality of AI applications. Many AI patterns have been proposed in the literature; however, their prevalence in real-life code has not yet been validated. Understanding the actual use of those patterns in practice can clarify our understanding both of the significance of these patterns and their utility. In this paper, we present a methodology to a) identify relevant patterns by mining the literature and then to b) validate their presence and prevalence in actual code repositories using active learning. To that end, we identify 14 AI pattern classes by mining 44 published AI pattern-related sources. Then we use an active learning approach to determine the prevalence of the most common pattern class across 100 GitHub open AI repositories. Using prevalence estimation, we propose bounds on the accuracy of the occurrences. The model achieves 56\% accuracy and 55\% recall in an 8-way classification task, significantly outperforming the 11\% random-chance baseline. Furthermore, the prevalence estimation offers usable bounds for analyzing pattern applications. This methodology provides a robust foundation to start understanding how AI patterns are used in practice, a field that currently lacks empirical data.
• Abstract（参考訳）: 人工知能(AI)ベースのアプリケーションが離陸するにつれて、AIパターンを明確に理解することで、AIアプリケーションの品質が向上する。 文献では、多くのAIパターンが提案されているが、実際のコードでのそれらの普及は、まだ検証されていない。 実際にこれらのパターンが実際に使われているかを理解することは、これらのパターンの重要性と有用性の両方を理解するのに役立つ。 本稿では,その方法論について述べる。 a)文献を採掘し、次に関連するパターンを特定すること b) アクティブラーニングを用いて実際のコードリポジトリにおけるそれらの存在と頻度を検証すること。 そのために、44の公開されたAIパターン関連ソースをマイニングすることで、14のAIパターンクラスを特定します。 次に、アクティブな学習アプローチを使用して、100のGitHubオープンAIレポジトリで最も一般的なパターンクラスの有効性を決定します。 有病率推定を用いて, 発生の精度の限界を提案する。 このモデルは、8ウェイ分類タスクにおいて56\%の精度と55\%のリコールを達成し、11\%のランダムチャンスベースラインを大幅に上回る。 さらに、有病率推定はパターンアプリケーションを解析するのに有用な境界を提供する。 この方法論は、AIパターンが実際にどのように使われているかを理解するための堅牢な基盤を提供する。

関連論文リスト

• Divergence Decoding: Inference-Time Unlearning via Auxiliary Models [2.1485350418225244]
  Divergence Decoding(DD)は、小さな補助モデルを使用して、推論中の特定のデータから大規模言語モデルのロジットを分離するメカニズムである。 本手法は,非学習ベンチマークにおいて,最先端(SOTA)ベースラインを決定的に上回っている。
  論文  参考訳（メタデータ） (2026-05-29T13:29:01Z)
• Learning-Augmented Moment Estimation on Time-Decay Models [55.06256430461023]
  私たちは、多くの基本的な問題に対して学習強化アルゴリズムを提供するために、データセットのヘビーヒッターにオラクルを使用します。 提案手法は,実データおよび合成データセット上でのアルゴリズムの実用的効率を実証する実験的な評価によって理論的結果を補完するものである。
  論文  参考訳（メタデータ） (2026-03-03T00:42:34Z)
• The Plausibility Trap: Using Probabilistic Engines for Deterministic Tasks [0.0]
  本稿は、"Plausibility Trap"を定義する。 人工知能にアクセスする個人は、単純な決定論的タスクのために高価な確率的エンジンをデプロイする。 ツール選択エンジニアリングと決定論的確率決定行列を導入し、開発者が生成AIを使うタイミングを決定するのを助ける。
  論文  参考訳（メタデータ） (2026-01-21T16:05:01Z)
• General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
  ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。 私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。 私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
  論文  参考訳（メタデータ） (2025-03-09T01:13:56Z)
• An Empirical Study on Automatically Detecting AI-Generated Source Code: How Far Are We? [8.0988059417354]
  本稿では,AI生成コード検出の性能向上のための様々な手法を提案する。 我々の最良のモデルは最先端のAI生成コード検出器(GPTSniffer)より優れており、F1スコアは82.55である。
  論文  参考訳（メタデータ） (2024-11-06T22:48:18Z)
• Explanation-by-Example Based on Item Response Theory [0.0]
  本研究は, 項目応答理論(IRT)を, モデルを説明し, 説明による信頼性のレベルを測定するためのツールとして検討する。 テストセットからすると、83.8%のエラーはIRTがモデルを信頼できないと指摘しているインスタンスからのものである。
  論文  参考訳（メタデータ） (2022-10-04T14:36:33Z)
• Masked prediction tasks: a parameter identifiability view [49.533046139235466]
  マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。 いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
  論文  参考訳（メタデータ） (2022-02-18T17:09:32Z)
• Logic Constraints to Feature Importances [17.234442722611803]
  AIモデルの"ブラックボックス"の性質は、診断技術や自律的ガイドなど、高度な分野における信頼性の高い応用の限界であることが多い。 近年の研究では、適切な解釈可能性のレベルが、モデル信頼性というより一般的な概念を強制できることが示されている。 本論文の基本的な考え方は,特定のタスクにおける特徴の重要性に関する人間の事前知識を利用して,モデルの適合のフェーズを整合的に支援することである。
  論文  参考訳（メタデータ） (2021-10-13T09:28:38Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
  我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。 ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。 我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
  論文  参考訳（メタデータ） (2020-06-25T06:28:09Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)

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。