論文の概要: Removing Noise or Introducing Bias? The Hidden Cost of MSR Filtering

• arxiv url: http://arxiv.org/abs/2609.18953v1
• Date: Wed, 15 Jul 2026 10:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.578345
• Title: Removing Noise or Introducing Bias? The Hidden Cost of MSR Filtering
• Title（参考訳）: ノイズ除去かバイアス導入か : MSRフィルタの隠れコスト
• Abstract要約: 我々はSEARTプラットフォームから1750万のリポジトリを分析し、MSR研究によく適用されるしきい値からいくつかのデータセットを構築した。 これらのフィルタリングプロセスにおける保守バイアスを特定し、OSSプロジェクトの真の放棄を隠蔽する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: OSS platforms like GitHub serve as a primary data source for MSR research. As the platform is widely used by different users, spanning from student to developer, not all repositories are actual engineered projects. Therefore, to avoid such noise, researchers often apply several criteria, which may fundamentally change the sample demographics. To understand such biases, this study aims to uncover the hidden cost originating from these arbitrary thresholds or criteria. We analyzed 1.57 million repositories from the SEART platform and constructed several datasets from the thresholds often applied in MSR research. We identify the maintenance bias in these filtering processes, which masks the true abandonment (73.42%) realities of OSS projects. Also, these strategies favor some ecosystems and governance styles. Moreover, the sampling strategy also distorts the relationship between variables, suffering from relational biases. Therefore, to avoid such biases, the researchers should shift towards stratified sampling and refining the criteria for noise detection.
• Abstract（参考訳）: GitHubのようなOSSプラットフォームは、MLR研究の主要なデータソースとして機能する。 プラットフォームは、学生から開発者まで、さまざまなユーザによって広く使用されているため、すべてのリポジトリが実際にエンジニアリングされたプロジェクトであるとは限らない。 そのため、このようなノイズを避けるために、研究者はしばしばいくつかの基準を適用し、サンプルの人口層を根本的に変える可能性がある。 このようなバイアスを理解するために、これらの任意のしきい値や基準から生じる隠れたコストを明らかにすることを目的としている。 我々はSEARTプラットフォームから1750万のリポジトリを分析し、MSR研究によく適用されるしきい値からいくつかのデータセットを構築した。 我々は、OSSプロジェクトの真の放棄(73.42%)の現実を隠蔽するこれらのフィルタリングプロセスにおける保守バイアスを特定する。 また、これらの戦略はいくつかのエコシステムやガバナンススタイルを好んでいる。 さらに、サンプリング戦略は、関係バイアスに苦しむ変数間の関係を歪ませる。 そのため,このようなバイアスを避けるため,ノイズ検出の基準を定式化して精査すべきである。

関連論文リスト

• Geometric Manifold Rectification for Imbalanced Learning [12.921833067052928]
  GMR(Geometric Manifold Rectification)は,局所的な幾何学的前提を生かして不均衡な構造化データを扱う新しいフレームワークである。 GMRは,(1)逆距離重み付きkNN投票と適応距離メートル法を用いて局所的信頼度を推定する幾何的信頼度推定,(2)少数検体に対して厳格な非対称的クリーニング,(2)少数検体を少数検体から保護し,少数検体を保護し,少数検体を保護した。
  論文  参考訳（メタデータ） (2026-02-13T15:59:32Z)
• Search Arena: Analyzing Search-Augmented LLMs [61.28673331156436]
  クラウドソーシングで大規模で,24,000以上のペア化されたマルチターンユーザインタラクションの人為的なデータセットであるSearch Arenaを紹介した。 データセットはさまざまな意図や言語にまたがっており、人間の好みの投票数約12,000の完全なシステムトレースが含まれている。 分析の結果,引用されたコンテンツが属性付クレームを直接サポートしていない場合でも,ユーザの嗜好は引用数に影響されていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-06-05T17:59:26Z)
• iEBAKER: Improved Remote Sensing Image-Text Retrieval Framework via Eliminate Before Align and Keyword Explicit Reasoning [80.44805667907612]
  iEBAKERは、弱い相関のサンプルペアをフィルタリングする革新的な戦略である。 SAR(Sort After Reversed Retrieval)戦略の代替として,SAR(Sort After Retrieval)戦略を導入する。 キーワード明示型推論(KER)モジュールを組み込んで、微妙なキー概念の区別による有益な影響を促進する。
  論文  参考訳（メタデータ） (2025-04-08T03:40:19Z)
• The Role of Data Filtering in Open Source Software Ranking and Selection [4.64854945726664]
  GitHubにリストされているプロジェクトのフィルタリングが、その人気の評価にどのように影響するかを調査する。 10万以上のレポジトリをランダムにサンプリングし、複数のレグレッションを使って星数をモデル化しました。 その結果,リポジトリの特定の特性が常に人気を予測しているのに対して,フィルタ処理はこれらの特性と応答の関係を著しく変化させることがわかった。
  論文  参考訳（メタデータ） (2024-01-18T17:05:10Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Task-specific experimental design for treatment effect estimation [59.879567967089145]
  因果推論の標準は大規模ランダム化試験(RCT)である。 近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。 実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
  論文  参考訳（メタデータ） (2023-06-08T18:10:37Z)
• Bias Mimicking: A Simple Sampling Approach for Bias Mitigation [57.17709477668213]
  本稿では,新しいクラス条件サンプリング手法であるBias Mimickingを紹介する。 Bias Mimickingは、4つのベンチマークで3%の精度でサンプリングの精度を向上する。
  論文  参考訳（メタデータ） (2022-09-30T17:33:00Z)
• Robust Meta-learning with Sampling Noise and Label Noise via Eigen-Reptile [78.1212767880785]
  Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。 ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。 本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T08:48:02Z)
• Are Bias Mitigation Techniques for Deep Learning Effective? [24.84797949716142]
  改良された評価プロトコル、有能なメトリクス、新しいデータセットを導入する。 我々は、同じネットワークアーキテクチャを用いて、7つの最先端アルゴリズムを評価する。 アルゴリズムは隠れバイアスを悪用し、複数の形式のバイアスにスケールできず、チューニングセットの選択に非常に敏感であることがわかった。
  論文  参考訳（メタデータ） (2021-04-01T00:14:45Z)

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。