論文の概要: Early Prediction of Cross-Service Implementation Scope: Evidence and Limits from Multiple Microservice Projects

• arxiv url: http://arxiv.org/abs/2610.39640v1
• Date: Thu, 29 Oct 2026 09:01:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:11:12.835068
• Title: Early Prediction of Cross-Service Implementation Scope: Evidence and Limits from Multiple Microservice Projects
• Title（参考訳）: クロスサービス実装スコープの早期予測 - 複数のマイクロサービスプロジェクトからの証拠と限界
• Abstract要約: サービス間の変更は101リクエスト(11.7%)で発生し、より広範な実装フットプリントを示す。 これらの結果から,機能要求の早期証拠は,自動スコープ決定や正確なワークロード推定よりも,軽量なクロスサービススコープトリアージに有用であることが示唆された。
• 参考スコア（独自算出の注目度）: 3.0690629441855974
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Microservice architectures aim to localize change, yet feature requests may require implementation across service boundaries. We investigate how well such downstream scope can be anticipated before implementation begins. Using issue--pull-request--commit traceability and implementation evidence corrected through targeted human adjudication, we reconstruct 866 repository-traceable feature requests from 13 open-source microservice projects and map their implementations to validated service boundaries. Cross-service changes occur in 101 requests (11.7%) and exhibit broader implementation footprints, particularly higher code churn, but no clear difference in lead time. Pre-implementation evidence provides limited cross-project predictive signal: the strongest leave-one-system-out model reaches a project-macro Macro-F1 of 0.484, but its advantage over the majority baseline is not significant after Holm correction and is sensitive to small evaluation folds. A local LLM offers no reliable improvement over classical models. Downstream workload is substantially harder to estimate, as learned models do not consistently outperform training-fold median baselines. A simple service-mention heuristic also performs comparably to learned scope triage. These findings show that early feature-request evidence is more useful for lightweight cross-service scope triage than for automated scope determination or precise workload estimation.
• Abstract（参考訳）: マイクロサービスアーキテクチャは変更のローカライズを目標としているが、機能要求はサービス境界を越えた実装を必要とする可能性がある。 実装開始前に,このようなダウンストリームのスコープがどの程度期待できるかを検討する。 issue--pull-request--commit traceabilityと、ターゲットとする人間の判断によって修正された実装エビデンスを使用して、13のオープンソースマイクロサービスプロジェクトからの866リポジトリトレース可能な機能要求を再構築し、その実装を検証されたサービスバウンダリにマップします。 サービス間の変更は101リクエスト(11.7%)で発生し、より広範な実装フットプリントを示す。 最強のLeft-one-outモデルは0.484のプロジェクトマクロマクロマクロF1に達するが、Holm補正後の多数基準に対する優位性は重要ではなく、小さな評価に敏感である。 ローカルなLLMは、古典的なモデルよりも信頼性の高い改善を提供していない。 学習したモデルは、トレーニング・フォールドの中央値のベースラインを一貫して上回らないため、下流のワークロードを見積もるのは極めて困難です。 単純なサービス-メントヒューリスティックもまた、学習されたスコープトリアージと同等に機能する。 これらの結果から,機能要求の早期証拠は,自動スコープ決定や正確なワークロード推定よりも,軽量なクロスサービススコープトリアージに有用であることが示唆された。

関連論文リスト

• Prioritizing Microservice Requests via Retries [7.18640054120351]
  クラウドサービスは、すぐに独立して管理されるアーキテクチャへと移行する。 この独立は一時的な不正調整を招き、価値ある取引の過負荷と拒絶をもたらす可能性がある。 DiffDifferential Retriesを提案し、リトライをリジェクション優先化機構に変換することにより、これらの欠陥を克服する。
  論文  参考訳（メタデータ） (2026-10-14T17:51:58Z)
• Evaluating Agentic Capabilities Before Post-Training: An End-to-End Approach [49.67457555471041]
  ASAPは、エンドツーエンドのタスクで事前訓練されたベースモデルからエージェントの振る舞いを抽出し評価するためのフレームワークである。 ベースモデルにまたがる差別的なエンドツーエンドのパフォーマンスと、チェックポイントの事前トレーニングが得られます。
  論文  参考訳（メタデータ） (2026-10-14T02:21:09Z)
• Diagnose Before You Compress: Prediction-Independent Bottleneck Witness Refinement for LLM Serving Traces [7.708772481142802]
  既存のトレース削減方法は、主にワークロードの分散や代表的要求を保存する。 本稿では,コンパクトで診断に信頼性の高いLLMリプレイ用フレームワークであるBottleneck-Preserving Witnessing (BPW)を提案する。 BurstGPT、ServeGen、Mooncakeの実験では、BPWが検証されたゲートにコンパクトなワークロードセットで到達し、16のポリシーを上回っている。
  論文  参考訳（メタデータ） (2026-08-01T03:43:55Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Seeing Farther and Smarter: Value-Guided Multi-Path Reflection for VLM Policy Optimization [41.15414881730464]
  VLM(Vision-Language Models)は、この目標に対して、一般的なパーセプティブ・レアソン・アクティベート・フレームワークを提供する。 従来のアプローチは、ノイズの多い予見予測から状態値の非効率で、しばしば不正確な暗黙の学習に依存していた。 動作生成から状態評価を分離する新しいテスト時間計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-22T22:53:16Z)
• RADAR: Revealing Asymmetric Development of Abilities in MLLM Pre-training [59.493415006017635]
  事前訓練されたマルチモーダル大言語モデル(MLLM)は、ポストトレーニングのための知識豊富な基盤を提供する。 現在の評価は、厳格な追加トレーニングと自己回帰的復号コストを導入する、教師付き微調整後のテストに依存している。 MLLM pRe トレーニングにおける非対称性向上のための効率的な能力中心評価フレームワーク RADAR を提案する。
  論文  参考訳（メタデータ） (2026-02-13T12:56:31Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• A Probability Distribution and Location-aware ResNet Approach for QoS Prediction [8.491818037756488]
  予測のための高度な確率分布と位置認識型ResNetアプローチを提案する。 以上の結果から, PLRは予測に有効であり, 密度5%～30%では, LDCFを12.35%～15.37%上回った。
  論文  参考訳（メタデータ） (2020-11-16T08:22:04Z)

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。