論文の概要: Scaling Author Identity Disambiguation to the World of Code: A Methodology

• arxiv url: http://arxiv.org/abs/2607.06920v1
• Date: Wed, 08 Jul 2026 02:30:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.252574
• Title: Scaling Author Identity Disambiguation to the World of Code: A Methodology
• Title（参考訳）: 著者のアイデンティティの曖昧さをコードの世界に拡大する - 方法論
• Abstract要約: 本稿では,WoC (World of Code) コレクション(バージョン V2604, バージョン V2604, 6B コミット上の 107M の異なる著者文字列)を標準人物にエイリアスするための方法論について述べる。 このスケールでは、中心的な問題はマージの過大さであり、マージの欠落ではない。 デプロイされた設計の背後にある完全な実験記録(失敗を含む20以上の実験を含む)を報告する。
• 参考スコア（独自算出の注目度）: 2.788646205877688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We describe the methodology used to alias the free-text author/committer identities of the entire World of Code (WoC) collection (version V2604, ~107M distinct author strings over ~6B commits) into canonical persons, extending the fingerprint-based anti-aliasing of ALFAA and the 38M-identity resolution of Fry et al. by an order of magnitude. At this scale the central problem is over-merge, not missed merges: a few bridge identities (bots, role accounts, placeholder emails, multi-author commit fields) transitively weld unrelated clusters through the global union step into million-member "mega-clusters." We report the full experimental record (more than twenty experiments, including unsuccessful ones) behind the deployed design. Node-level gates (information score, project spread, degree) preserve recall but cannot dissolve the mega-cluster; per-value blocklists of high-quality-but-shared attributes are recall-safe but cannot break a redundant mesh; the working composition is a betweenness cut over the exact union graph plus a per-edge classifier trained on 2.6M labels mined from GitHub no-reply identifiers. That classifier, filtering dormant cross-project shingle groups and joined by GitHub's own account assertions, then recovers the recall the precision work had foregone. Against human-adjudicated pairs the per-edge model transfers at AUC 0.99; end to end the largest cluster falls from 170,431 (and a predecessor's 3.0M) to under 7,000 w hile gold recall rises from 0.44 to 0.70 at increasing precision, and on an independent 21M-alias GitHub ground truth the final map outscores its predecessors and the published state of the art among global, privacy-preserving resolvers. The record doubles as a catalog of scale lessons: structural cuts do not transfer to edge sets they never saw, and recall-only and precision-only benchmarks invert verdicts unless read together.
• Abstract（参考訳）: 本稿では,WoCコレクション全体(バージョンV2604, ~107M, ~6Bコミット)のフリーテキストの作者/コミッタIDを,ALFAAの指紋によるアンチエイリアスとFryらの38Mアイデンティティ解決を桁違いに拡張する手法について述べる。 いくつかのブリッジID(ボット、ロールアカウント、プレースホルダーメール、マルチオーサリティコミットフィールド)は、グローバルユニオンを通じて数百万人の"メガクラスタ"に移行して、無関係なクラスタを溶接する。 デプロイされた設計の背後にある完全な実験記録(失敗を含む20以上の実験を含む)を報告する。 ノードレベルのゲート(情報スコア、プロジェクトスプレッド、学位)はリコールを保存するが、メガクラスタを解けない。高品質だが共有された属性の値ごとのブロックリストはリコールセーフだが、冗長なメッシュを壊すことはできない。 その分類器は、休眠中のプロジェクト間のシングルグループをフィルタリングし、GitHubのアカウントアサーションと結合し、精密作業が引き起こしたリコールを復元する。 AUC 0.99のエッジモデル転送に対して、最大のクラスタは170,431(および前任者の3.0M)から7000w/hのゴールドリコールに減少し、精度の向上で0.44から0.70に上昇する。 構造的カットは見たことのないエッジセットに転送されず、リコールのみのベンチマークと精度のみのベンチマークは、一緒に読まない限り、検証を反転させる。

関連論文リスト

• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• GRAND-HC: Graph-Refined Author Name Disambiguation [58.02589236670033]
  From-Scratch Name Disambiguation (SND) は、曖昧な名前を共有する論文を、異なる現実世界の著者のクラスタにまとめる。 完全なエンドツーエンドSNDフレームワークである textbfGRAND-HC を提案する。
  論文  参考訳（メタデータ） (2026-08-24T08:21:28Z)
• Stylometric Defenses Against Author Impersonation in Software Repositories [0.0]
  クロスモーダルなパッチレベルの埋め込みは、現実世界のリポジトリにおける著者の偽装に対する行動トリアージをサポートすることができる。 我々は,Linuxカーネルのコミット履歴20年以上にわたって,クロスモーダルトランスフォーマーを微調整して,コード差分を埋め込んで,メッセージを統一的なスタイル空間にコミットする。
  論文  参考訳（メタデータ） (2026-08-03T11:02:13Z)
• Claimed or Attested? A Commit-Signature Dataset and Identity Trust Tiers across the World of Code [2.788646205877688]
  We release the first commit-signature axis for the World of Code (WoC) V2604コーパスの5,866,595,698コミットのうち、17.59%が署名を持っている。 全てのアーティファクトは、WoC V2604コレクションにキーされた、自己完結した、依存的にホストされた複製パッケージとしてリリースされる。
  論文  参考訳（メタデータ） (2026-07-07T12:19:25Z)
• A Global Author-Identity Map for the World of Code:62.7M Developer Identities from 106.8M Author Strings over 5.87B Commits [2.788646205877688]
  We release a curated author-identity map for World of Code (WoC) version V2604 cover all 5,866,595,698 commits。 マップはメガクラスタフリーで、最大のクラスタ6,910 id(1つのGitHubノプリーID)であり、60億のコミットの73.5%をマルチIDに解決している。 我々は, 誤差ファミリー, 分割, クランプの双方を報告し, グローバル・スケール・ユニオン・マップが主張する高精度の精度が, 膨らんだ領域を決して計測しない人工物であることを示す。
  論文  参考訳（メタデータ） (2026-07-07T12:09:45Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Deforking the World of Code: A Project-Provenance Map that Recovers Cross-Forge Fork Families that Platform Graphs Cannot See [2.788646205877688]
  We release a curated deforking map for the World of Code (WoC) version V2604: p2PFull。 すべての生のレポジトリ p を、その属する除かれたプロジェクト P に分解する。 GH ForkEventsから再構築されたGitHubの宣言されたフォークグラフに対するマップを検証する。
  論文  参考訳（メタデータ） (2026-06-28T18:25:17Z)
• Control-Plane Placement Shapes Forgetting: An Architectural Study of Agent Memory Across Thirteen System Configurations [1.2763567932588586]
  ForgetEvalは1000ケースのテンプレート・スイートと385ケースの対向層(手作り+253 LLMのオラクル・バリデーション) 決定論的プリミティブは語彙的・時間的カテゴリーで十分だが、正準化に失敗する。 1000ケースのテンプレートスイートと385ケースの反対層であるForgetEvalを通じて、トレードオフを公開しています。
  論文  参考訳（メタデータ） (2026-06-14T16:32:15Z)
• TwinGate: Stateful Defense against Decompositional Jailbreaks in Untraceable Traffic via Asymmetric Contrastive Learning [60.68349524623048]
  分解されたジェイルブレイクは、大きな言語モデルにとって重大な脅威となる。 我々はステートフルなデュアルエンコーダ防御フレームワークであるTwinGateを紹介する。 我々は、8600の異なる悪意のある意図にまたがる360万以上の命令の包括的なデータセットを構築した。
  論文  参考訳（メタデータ） (2026-04-30T13:44:01Z)
• Reducing Maintenance Burden in Behaviour-Driven Development: A Paraphrase-Robust Duplicate-Step Detector with a 1.1M-Step Open Benchmark [1.9537983097153042]
  振る舞い駆動開発スイートは、ドキュメント化されたメンテナンスコストとステップ重複の重複を蓄積します。 私たちはこれまでで最大の組織横断的なBDDステップコーパスをリリースします。
  論文  参考訳（メタデータ） (2026-04-22T11:44:05Z)
• NearID: Identity Representation Learning via Near-identity Distractors [116.71529576796605]
  既存のビジョンエンコーダは、オブジェクトのアイデンティティを背景コンテキストと絡み合わせることで、信頼性の低い表現やメトリクスを生み出します。 我々は、この脆弱性に対処するための最初の原則付きフレームワークをNear-identity distractorsを使って紹介する。 我々は、厳密なマージンベースの評価プロトコルとともに、NearIDデータセット(19KのID、316Kの一致したコンテキストインタプリタ)を提示する。
  論文  参考訳（メタデータ） (2026-04-02T12:33:14Z)
• Meta Clustering Learning for Large-scale Unsupervised Person Re-identification [124.54749810371986]
  メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。 MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。 提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2021-11-19T04:10:18Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)
• Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification [56.97651712118167]
  人物再識別(re-ID)は、異なるカメラで同一人物の画像を特定することを目的としている。 異なるデータセット間のドメインの多様性は、あるデータセットでトレーニングされたre-IDモデルを別のデータセットに適応させる上で、明らかな課題となる。 教師なしフレームワークであるMutual Mean-Teaching(MMT)を提案し、オフラインで改良されたハードな擬似ラベルとオンラインで改良されたソフトな擬似ラベルを用いて、ターゲットドメインからより良い特徴を学習する。
  論文  参考訳（メタデータ） (2020-01-06T12:42:58Z)

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。