論文の概要: Understanding Developer Pain Points in Federated Learning: Insights from Stack Overflow and GitHub
- arxiv url: http://arxiv.org/abs/2607.19621v1
- Date: Tue, 21 Jul 2026 23:06:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.9412
- Title: Understanding Developer Pain Points in Federated Learning: Insights from Stack Overflow and GitHub
- Title（参考訳）: フェデレーションラーニングにおける開発者痛点の理解:Stack OverflowとGitHubからの洞察
- Abstract要約: フェデレートラーニング(FL)は、生データを集中せずに協調的なモデルトレーニングを可能にする。
92のFL関連プロジェクトからの495のStack Overflowポストと9,116のGitHubイシューとプルリクエストを分析します。
- 参考スコア（独自算出の注目度）: 3.9933521189187693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated Learning (FL) enables collaborative model training without centralizing raw data, but building and operating FL systems remains difficult due to distributed execution, rapidly evolving frameworks, and privacy and governance requirements. In this paper, we present an empirical study of FL developer challenges by independently analyzing 495 Stack Overflow posts and 9,116 GitHub issues and pull requests from 92 FL-related projects. Using BERTopic-based topic modeling and difficulty indicators such as unresolved rates and median resolution time, we characterize recurring problem areas and compare how they manifest across the two support platforms, Stack Overflow and GitHub. Our analysis surfaces nine dominant Stack Overflow topics and thirteen GitHub topics, with persistent difficulties concentrated in environment setup and dependency compatibility, API breakages and migration, training instability under non-IID data, evaluation and metric correctness, and the integration of privacy-preserving mechanisms. We also categorize posts by question intent to understand the kinds of help developers seek; this intent analysis shows that "How"-type questions dominate, reflecting strong demand for procedural guidance. Several topics, such as "TFF Installation and Environment Compatibility" and "Federated Feature Engineering and SecureBoost Issues," exhibit high unresolved rates and long resolution times, suggesting shortcomings in tooling, documentation, and debugging support. Based on these findings, we provide actionable implications for FL framework designers, documentation authors, and educators. Although our results are constrained to public discussions and a subset of widely discussed frameworks, the study offers a scalable method for continuously monitoring developer pain points and improving the usability, reliability, and deployability of FL systems.
- Abstract（参考訳）: Federated Learning(FL)は、生データを集中せずに協調的なモデルトレーニングを可能にするが、分散実行、急速に進化するフレームワーク、プライバシとガバナンスの要件のために、FLシステムの構築と運用は難しいままである。
本稿では、495のStack Overflowポストと9,116のGitHubイシューと92のFL関連プロジェクトからのプルリクエストを独立して分析することにより、FL開発者の課題を実証的研究する。
BERTopicベースのトピックモデリングと未解決率や中央値の解決時間などの難易度指標を使用して、繰り返し発生する問題領域を特徴付け、Stack OverflowとGitHubの2つのサポートプラットフォーム間でどのように表示されているかを比較します。
分析では、環境の設定と依存関係の互換性、APIの破損とマイグレーション、非IIDデータによるトレーニング不安定性、評価とメトリックの正確性、プライバシ保護メカニズムの統合など、9つの支配的なStack Overflowトピックと13のGitHubトピックを取り上げています。
この意図分析は、"どのように"型質問が支配的であり、手続き的ガイダンスの強い需要を反映していることを示している。
TFFのインストールと環境適合性"や"Federated Feature Engineering and SecureBoost Issues"など、いくつかのトピックは、高い未解決率と長い解決時間を示し、ツールやドキュメント、デバッグサポートの欠点を示唆している。
これらの知見に基づき、FLフレームワークの設計者、文書作成者、教育者に対して実行可能な意味を与える。
私たちの結果は公開討論や広く議論されているフレームワークのサブセットに制約がありますが、この研究は、開発者の痛点を継続的に監視し、FLシステムのユーザビリティ、信頼性、デプロイ性を改善するためのスケーラブルな方法を提供します。
関連論文リスト
- Maintenance and Support in Community-Driven Scientific Pipeline Ecosystems: A Cross-Platform Empirical Study of nf-core [3.9933521189187693]
本稿では,Nextflowパイプラインの大規模エコシステムであるnf-coreのメンテナンスとサポートに関するクロスプラットフォームな実証的研究について述べる。
15,760のGitHub問題,35,411のGitHubプルリクエスト,および895のSeqera Community Forumに関する議論を分析して,メンテナンスとサポートに関する懸念点について検討する。
論文 参考訳（メタデータ） (2026-07-12T17:05:07Z) - Insights from GitHub Community on the Matter Standard: Developer Perspectives and Challenges [1.1881602304497278]
本稿では,Project CHIP GitHubレポジトリから13,000件以上の問題を調査する。
トピックモデリングと質的分析を用いて、4つの繰り返し発生する関心領域を同定する。
論文 参考訳（メタデータ） (2026-07-01T21:46:17Z) - BeyondSWE: Can Current Code Agent Survive Beyond Single-Repo Bug Fixing? [61.247730037229815]
BeyondSWEは2つの軸 – 解像度スコープと知識スコープ – に沿って既存の評価を拡張する包括的なベンチマークです。
外部知識の役割を解明するために,ディープ検索とコーディング能力を統合するフレームワークであるSearchSWEを開発した。
この作業は、現実的で挑戦的な評価ベンチマークと、より有能なコードエージェントに向けた研究を進めるための柔軟なフレームワークの両方を提供する。
論文 参考訳（メタデータ） (2026-03-03T17:52:01Z) - Why Authors and Maintainers Link (or Don't Link) Their PyPI Libraries to Code Repositories and Donation Platforms [83.16077040470975]
Python Package Index(PyPI)上のライブラリのメタデータは、オープンソースライブラリの透明性、信頼性、持続性をサポートする上で重要な役割を果たす。
本稿は,5万PyPIの著者とメンテナに送付された2つの対象調査を組み合わせた大規模実証研究である。
我々は,大規模言語モデル(LLM)に基づくトピックモデリングを用いて1,400以上の応答を分析し,リポジトリと寄付プラットフォームのリンクに関連する重要なモチベーションと障壁を明らかにする。
論文 参考訳（メタデータ） (2026-01-21T16:13:57Z) - Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。
SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。
本稿では,この新興領域を体系的に調査する。
論文 参考訳（メタデータ） (2026-01-15T18:55:03Z) - A Comprehensive Study of Bugs in Modern Distributed Deep Learning Systems [7.767904938990508]
本研究は,専用の分散フレームワークにおける実践者の課題について,大規模な実証分析を行った最初の事例である。
我々は,DeepSpeed,Megatron-LM,Colossal-AIの実世界の849の問題を調査し,34のバグ症状,28の根本原因,6つの修正パターンの分類法を構築した。
その結果、45.1%のバグ症状が分散フレームワークに特有のものであり、セットアップ障害、メモリ問題、パフォーマンス異常が最も多いことが判明した。
論文 参考訳（メタデータ） (2025-12-23T13:27:05Z) - That's Deprecated! Understanding, Detecting, and Steering Knowledge Conflicts in Language Models for Code Generation [55.78914774437411]
大規模言語モデル(LLM)は、パラメトリック知識とプロンプトに含まれる矛盾する情報との相違に直面して振る舞う。
このような対立を構築・解釈するためのドメインに依存しないフレームワークを提案する。
本研究では, アクティベーションレベルのステアリングが, ランダムベースライン上でのステアリング成功率を最大12.6%向上させることができることを示す。
論文 参考訳（メタデータ） (2025-10-21T22:27:56Z) - Benchmarking Deep Search over Heterogeneous Enterprise Data [73.55304268238474]
検索強化生成(RAG)の形式を評価するための新しいベンチマークを提案する。
RAGは、多種多様な、しかし関連するソースに対して、ソースを意識したマルチホップ推論を必要とする。
製品計画、開発、サポートステージをまたいだビジネスをシミュレートする合成データパイプラインを使用して構築します。
論文 参考訳（メタデータ） (2025-06-29T08:34:59Z) - Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。
当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。
当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
論文 参考訳（メタデータ） (2025-03-31T07:31:32Z) - An Empirical Investigation on the Challenges in Scientific Workflow Systems Development [6.920993703034064]
この記事では、Stack Overflow(SO)とGitHubにおける開発者と研究者のインタラクションについて検討する。
問題を分析することで、13のトピック(例えば、エラーとバグ修正、ドキュメント、依存性)を特定し、データ構造と操作が最も難しいことを発見した。
また、データ構造や操作、タスク管理、ワークフロースケジューリングといった、SOとGitHubの共通するトピックも見つけました。
論文 参考訳（メタデータ） (2024-11-16T21:14:11Z) - Developer Challenges on Large Language Models: A Study of Stack Overflow and OpenAI Developer Forum Posts [2.704899832646869]
大規模言語モデル(LLM)は、様々なドメインにまたがる例外的な機能のために広く普及している。
本研究は,Stack OverflowとOpenAI Developer Forum上でのコミュニティインタラクションを分析することによって,開発者の課題を調査する。
論文 参考訳（メタデータ） (2024-11-16T19:38:27Z)
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。