論文の概要: A Capacity-Aware Parr Model for Agile Projects

• arxiv url: http://arxiv.org/abs/2607.01562v1
• Date: Thu, 02 Jul 2026 00:40:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.623576
• Title: A Capacity-Aware Parr Model for Agile Projects
• Title（参考訳）: アジャイルプロジェクトのキャパシティを意識したパーモデル
• Abstract要約: 本稿では,アジャイルプロジェクトのキャパシティを意識した予測レイヤとして,Parrモデルのコンパクトパラメータを提案する。 正規化されたパール形状の潜行需要と、観測または計画された容量軌跡が組み合わされる。 このモデルは、資源制限の下で同じ内部活動経路が続くと仮定することなく、累積進捗、完成時間、キャパシティ不足、キャパシティスラックを予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical software effort distribution models, including the PNR family and Parr alter native curve, were designed to describe the time distribution of development effort under an implied staffing pattern. Their direct use in agile environments is limited when team capacity is fixed, partially fixed, or externally constrained, the original curve may prescribe a staff demand that the organization cannot allocate. This paper proposes a compact refactoring of Parr model as a capacity-aware forecasting layer for agile projects. The contribution is deliberately narrower than a full causal theory of project dynamics. A normalized Parr shaped latent effort demand is combined with an observed or planned capacity trajectory. The resulting model forecasts aggregate progress, completion time, capacity deficit, and capacity slack without assuming that the same internal activity path is followed under resource restriction. The model uses a small parameter set such as total effort K, a Parr shape parameter, an origin constant c that can match nonzero initial staffing, and the capacity trajectory. A discrete sprint formulation is provided, together with a calibration method from ordinary Scrum records and a rolling origin validation protocol against simple management baselines.
• Abstract（参考訳）: PNRファミリやParによるネイティブカーブの変更を含む古典的なソフトウェア作業分散モデルは、インプリートされたスタッフリングパターンの下で開発作業の時間分布を記述するように設計された。 アジャイル環境での彼らの直接的な使用は、チームのキャパシティが固定されたり、部分的に固定されたり、外部的に制約されたりした場合に限られます。 本稿では,アジャイルプロジェクトのキャパシティを意識した予測レイヤとして,Parrモデルのコンパクトリファクタリングを提案する。 この貢献は、プロジェクトダイナミクスの完全な因果論よりも意図的に狭い。 正規化されたパール形状の潜行需要と、観測または計画された容量軌跡が組み合わされる。 得られたモデルは、リソース制限の下で同じ内部活動経路が続くと仮定することなく、進捗、完了時間、キャパシティ不足、キャパシティスラックを総括して予測する。 このモデルは、全作業量K、パール形状パラメータ、非ゼロの初期配置に一致する原点定数c、容量軌跡などの小さなパラメータセットを使用する。 個別のスプリントの定式化と、通常のスクラムレコードの校正方法、シンプルな管理基準に対するローリングオリジンバリデーションプロトコルが提供される。

関連論文リスト

• The Art of Interrogation: Consistency Amplifies Factuality in Spatial Reasoning [65.67266333751569]
  現在のLRM(Large Reasoning Models)は、空間推論タスクにおいて顕著な汎用性を示すが、性能は著しく劣る。 本研究では,内的推論プロセスを対象とした自己指導型強化学習フレームワークを提案する。 このラベルのない整合性トレーニングは,地道的な監督によって訓練されたモデルの精度にアプローチし,多様なタスクやデータ領域にまたがる同様の一般化を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-10T10:50:06Z)
• Generative Frontier Planning for Adaptive Peer-Referral Recruitment under Covariate-Dependent Arrivals [28.082278231005997]
  ピア・リフレラル・リクルートシステムは、感染症に罹患する隠れた集団の研究と介入に不可欠である。 ステップごとのモンテカルロサンプリングを決定論的バックアップに置き換えるモデルベースプランナーであるemphGenerative Frontier Planning (GFP)を提案する。 GFPはランダム、強化学習、すなわち動的プログラミングのベースラインを4つの割引因子で上回る。
  論文  参考訳（メタデータ） (2026-06-06T22:31:07Z)
• RuPLaR : Efficient Latent Compression of LLM Reasoning Chains with Rule-Based Priors From Multi-Step to One-Step [7.647393987025467]
  ルールベースプライオリティを用いた遅延推論のための新しい圧縮フレームワークであるOne-Model One-Stepを紹介する。 本手法は,LSMを訓練し,単一の訓練段階において遅延推論トークンを自律的に生成する。 実験の結果,既存の潜在CoT法よりも11.1%精度が向上した。
  論文  参考訳（メタデータ） (2026-05-10T05:55:07Z)
• Breaking the Factorization Barrier in Diffusion Language Models [59.946071582340146]
  ベクトル化障壁」は拡散言語モデルの効率的な並列生成を妨げる。 完全分解出力分布を置き換えるための結合離散拡散法を提案する。 我々は, CoDD が多種多様な言語モデルアーキテクチャをシームレスに拡張し, オーバーヘッドを無視できることを示した。
  論文  参考訳（メタデータ） (2026-02-09T08:36:39Z)
• On the Collapse of Generative Paths: A Criterion and Correction for Diffusion Steering [29.633206995806542]
  インタイムステアリングにより、事前トレーニングされた拡散/フローモデルを、再トレーニングせずに新しいタスクに適合させることができる。 この構造には批判的かつ以前は形式化されていなかった障害モード(Marginal Path Collapse)がある。 本稿では,Feynman-Kac ステアリングを時間変化指数に拡張する Adaptive path Correction with Exponents (ACE) を提案する。
  論文  参考訳（メタデータ） (2025-12-11T06:44:08Z)
• Foundation Model Forecasts: Form and Function [0.20999222360659606]
  時系列基礎モデル(TSFM)は高い予測精度を達成するが、精度だけでは実用的価値は決定できない。 我々は最近のTSFMを調査し、その3分の2がポイントまたはパラメトリックの予測のみを生成することを発見した。 多くの運用タスクは、時間的依存を保存する軌道的アンサンブルを必要とする。
  論文  参考訳（メタデータ） (2025-10-22T08:10:34Z)
• READER: Retrieval-Assisted Drafter for Efficient LLM Inference [0.0386965802948046]
  自己回帰言語モデルはトークンシーケンスよりも分解された確率をインスタンス化するが、その厳密なシーケンシャルなデコーディングプロセスは、遅延推論に固有の低いバウンドを課す。 このボトルネックは、大規模生成モデルのスケーラブルなデプロイにおける中心的な障害として現れています。 本稿では,補助的ドラフトモデルのトレーニングを回避した投機的復号化フレームワークREADERを提案する。
  論文  参考訳（メタデータ） (2025-08-12T16:47:48Z)
• Aligning Latent Spaces with Flow Priors [72.24305287508474]
  本稿では,学習可能な潜在空間を任意の目標分布に整合させるための新しいフレームワークを提案する。 特に,提案手法は計算コストの高い確率評価を排除し,最適化時のODE解決を回避する。
  論文  参考訳（メタデータ） (2025-06-05T16:59:53Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)

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。