論文の概要: LabelMate: An LLM-Driven Framework for Refined Issue Report Labeling
- arxiv url: http://arxiv.org/abs/2609.04055v1
- Date: Thu, 03 Sep 2026 16:31:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.153784
- Title: LabelMate: An LLM-Driven Framework for Refined Issue Report Labeling
- Title（参考訳）: LabelMate: 改善されたイシューレポートラベリングのためのLLM駆動フレームワーク
- Abstract要約: ソフトウェアユーザーは、欠陥を報告したり、改善を提案したり、他の製品に関する懸念を提起するために、製品のイシュートラッキングシステムにイシューレポートを提出することが多い。
多くの報告は、適切なラベル分類を設計するために必要な相当な手作業のために、未定のままである。
歴史的課題報告から包括的でプロジェクト固有のラベルセットを導出する新しいフレームワークである LabelMate を提案する。
- 参考スコア（独自算出の注目度）: 0.3347876022070875
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software users often submit issue reports to a product's issue tracking system to report defects, suggest enhancements, or raise other product-related concerns. Labeling these issue reports supports effective planning and improves community engagement. However, many issue reports remain unlabeled due to the substantial manual effort required to design an appropriate label taxonomy, then assign suitable labels from this taxonomy to new issue reports. Existing automated labeling approaches attempt to mitigate these challenges. However, they suffer from key limitations, such as extensive manual intervention, the assignment of generic labels, and a dependence on existing labeled datasets. To address these limitations, we propose LabelMate, a novel Large Language Model (LLM)-driven framework that (1) derives a comprehensive, project-specific label set from historical issue reports and (2) automatically assigns relevant labels to new issue reports without requiring any pre-labeled training data. We evaluate LabelMate on 16,500 issue reports from 30 popular and diverse GitHub repositories. Based on this dataset, our approach generates a coherent list of 275 labels and achieves an average labeling accuracy of 89.84%, a statistically significant improvement over existing generic label assigning approaches. These results demonstrate that LabelMate offers an efficient, domain-adaptive solution to streamline the issue labeling process.
- Abstract（参考訳）: ソフトウェアユーザーは、欠陥を報告したり、改善を提案したり、他の製品に関する懸念を提起するために、製品のイシュートラッキングシステムにイシューレポートを提出することが多い。
これらのイシューレポートのラベル付けは、効果的なプランニングをサポートし、コミュニティのエンゲージメントを改善する。
しかし、適切なラベル分類を設計し、この分類から適切なラベルを新規のイシューレポートに割り当てるために必要な実質的な手作業のために、多くのイシューレポートは未定のままである。
既存の自動ラベリングアプローチは、これらの課題を緩和しようとする。
しかしながら、広範囲な手作業の介入、ジェネリックラベルの割り当て、既存のラベル付きデータセットへの依存など、重要な制限に悩まされている。
これらの制約に対処するため,(1)歴史的課題報告から包括的でプロジェクト固有のラベルセットを導出し,(2)ラベル付きトレーニングデータを必要とせず,関連するラベルを新たな課題報告に自動的に割り当てる,LLM(Large Language Model)駆動のフレームワークであるLabelMateを提案する。
LabelMateは、人気があり多様なGitHubリポジトリから16,500件のイシューレポートを評価します。
このデータセットに基づいて,提案手法は275ラベルのコヒーレントリストを生成し,89.84%の平均ラベル精度を実現している。
これらの結果から, LabelMateはイシューラベリングプロセスを合理化するための,効率的なドメイン適応型ソリューションを提供することがわかった。
関連論文リスト
- Feature-Label Modal Alignment for Robust Partial Multi-Label Learning [66.1611192892514]
特徴ラベルアライメント(PML-MA)に基づく新しいPML手法を提案する。
PML-MAは特徴とラベルを2つの相補的なモダリティとして扱い、体系的なアライメントを通じて一貫性を回復する。
実世界のデータセットと合成データセットの両方の実験では、PML-MAが最先端の手法を大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2026-04-10T07:44:46Z) - Automatic Labelling with Open-source LLMs using Dynamic Label Schema Integration [0.0]
自動ラベリングにオープンソースモデルを効果的に活用することを検討する。
LLMが1つのラベルに対して1度に推論を行うRAC(Retrieval Augmented Classification)を提案する。
ラベル記述を動的に統合した本手法は,ラベル処理における性能改善につながることを示す。
論文 参考訳（メタデータ） (2025-01-21T18:06:54Z) - Label Errors in the Tobacco3482 Dataset [5.9848836847249185]
Tobacco2は広く使われている文書分類ベンチマークデータセットである。
データセットの11.7%が不適切な注釈付きであり、未知のラベルまたは修正されたラベルを持つべきである。
次に、トップパフォーマンスモデルのミスを分析し、モデルのミスの35%は、これらのラベルの問題に直接起因することができることに気付きます。
論文 参考訳（メタデータ） (2024-12-17T18:06:28Z) - Substituting Data Annotation with Balanced Updates and Collective Loss
in Multi-label Text Classification [19.592985329023733]
MLTC(Multi-label text classification)は、あるテキストに複数のラベルを割り当てるタスクである。
本報告では,MLTCの問題点を,ラベル数に比例して,利用可能な監視信号の大きさが線形であるアノテーションフリーおよび希少アノテーション設定で検討する。
提案手法は,(1)事前学習した言語モデルを用いて,入力テキストを事前ラベル候補の集合にマッピングし,(2)ラベル記述による署名付きラベル依存グラフの計算,(3)ラベル依存グラフに沿ったメッセージパスによる事前ラベル候補の更新を行う。
論文 参考訳（メタデータ） (2023-09-24T04:12:52Z) - Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。
我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文 参考訳（メタデータ） (2023-05-22T04:50:28Z) - Bridging the Gap between Model Explanations in Partially Annotated
Multi-label Classification [85.76130799062379]
偽陰性ラベルがモデルの説明にどのように影響するかを考察する。
本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
論文 参考訳（メタデータ） (2023-04-04T14:00:59Z) - Label Matching Semi-Supervised Object Detection [85.99282969977541]
半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。
ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。
本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-14T05:59:41Z) - Automatic Issue Classifier: A Transfer Learning Framework for
Classifying Issue Reports [0.0]
私たちはRoBERTaと呼ばれる既製のニューラルネットワークを使って、問題を分類しています。
本稿では,問題レポートを複数ラベル設定で分類するアプローチを提案する。我々はRoBERTaと呼ばれる市販のニューラルネットワークを用いて,問題レポートの分類を行う。
論文 参考訳（メタデータ） (2022-02-12T21:43:08Z) - Can I Solve It? Identifying APIs Required to Complete OSS Task [16.13269535068818]
タスク完了に必要なAPIのドメインに対するラベリング問題の実現可能性と関連性を検討する。
問題の記述とプロジェクト履歴を利用して予測モデルを構築し,精度を最大82%まで向上させ,最大97.8%をリコールした。
私たちの結果は、問題を自動的にラベル付けするツールの作成を刺激し、開発者がスキルに合致するタスクを見つけるのに役立ちます。
論文 参考訳（メタデータ） (2021-03-23T16:16:09Z) - A Study on the Autoregressive and non-Autoregressive Multi-label
Learning [77.11075863067131]
本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。
したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
論文 参考訳（メタデータ） (2020-12-03T05:41:44Z) - Few-shot Slot Tagging with Collapsed Dependency Transfer and
Label-enhanced Task-adaptive Projection Network [61.94394163309688]
本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。
実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-10T07:50:44Z)
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。