論文の概要: Position: Let's Strengthen Verifiability If We Can't Enforce Reproducibility

• arxiv url: http://arxiv.org/abs/2609.35854v1
• Date: Fri, 25 Sep 2026 10:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.860791
• Title: Position: Let's Strengthen Verifiability If We Can't Enforce Reproducibility
• Title（参考訳）: 位置:再現性を強化できないなら、検証性を強化しよう
• Abstract要約: 機械学習において、多くの論文は、クレームステートメントを支持する経験的な結果や、提案手法の性能を示すものを含んでいる。 結果の再現は困難で、そのようにして、コードでそれを行う場合が少なくなります。 本稿では,これらの問題を解析・定量化し,結果の検証性を向上させるための具体的な提案を行う。
• 参考スコア（独自算出の注目度）: 15.354116109414086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of Machine Learning, many papers contain empirical results supporting claimed statements or illustrating the performance of a proposed method. However, most practitioners know that (1) results are generally hard to reproduce, and increasingly so, (2) code is not often available to do so, and (3) it hinders the development of research. In this position paper, we analyze and quantify these issues, and make concrete proposals to improve result checkability, if not reproducibility. Code and supporting materials are available at https://github.com/giddyyupp/position-enforce-verifiability.
• Abstract（参考訳）: 機械学習の分野では、多くの論文がクレームステートメントを支持する経験的な結果や、提案手法の性能を図示する実験結果を含んでいる。 しかし,(1) 結果の再現が困難であること,(2) コードが入手できないこと,(3) 研究の進展を妨げることなど,多くの実践者が知っている。 本稿では,これらの問題を解析・定量化し,再現性に乏しく,結果の検証性を改善するための具体的な提案を行う。 コードとサポート材料はhttps://github.com/giddyyupp/position-enforce-verifiability.comで入手できる。

関連論文リスト

• Readability-Robust Code Summarization via Meta Curriculum Learning [53.44612630063336]
  現実の世界では、コードが貧弱な構造や難読化され、モデルのパフォーマンスが著しく低下することが多い。 本稿では,可読性の低いコードに対するコード要約の堅牢性を向上する,新しい微調整手法であるRoFTCodeSumを提案する。
  論文  参考訳（メタデータ） (2026-01-09T02:38:24Z)
• Understanding Code Understandability Improvements in Code Reviews [79.16476505761582]
  GitHub上のJavaオープンソースプロジェクトからの2,401のコードレビューコメントを分析した。 改善提案の83.9%が承認され、統合され、1%未満が後に復活した。
  論文  参考訳（メタデータ） (2024-10-29T12:21:23Z)
• Improved Compositional Generalization by Generating Demonstrations for Meta-Learning [53.818234285773165]
  従来未解決であった構成動作分割に対して,他の分割に対する性能の損失を伴わずに,大幅な性能向上を示す。 この場合、オラクル関数でさえも関連する実演を探すことは、メタラーニングを使用する際には十分な性能を得るには不十分である。
  論文  参考訳（メタデータ） (2023-05-22T14:58:54Z)
• When Good and Reproducible Results are a Giant with Feet of Clay: The Importance of Software Quality in NLP [23.30735117217225]
  本稿では,最先端コンフォーマーアーキテクチャの実装で広く使用されている3つのバグを特定し,修正するケーススタディを提案する。 我々は、ニューラルネットワークのテスト専用のライブラリである、コード品質チェックリストとリリースパンゴリNNを提案する。
  論文  参考訳（メタデータ） (2023-03-28T17:28:52Z)
• Benchopt: Reproducible, efficient and collaborative optimization benchmarks [67.29240500171532]
  Benchoptは、機械学習で最適化ベンチマークを自動化、再生、公開するためのフレームワークである。 Benchoptは実験を実行、共有、拡張するための既製のツールを提供することで、コミュニティのベンチマークを簡単にする。
  論文  参考訳（メタデータ） (2022-06-27T16:19:24Z)

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。