抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
連続統合(CI)はソフトウェア開発のリスクを低減するが,CI構築は通常巨大な時間と資源消費をもたらす。機械学習法を採用してCIの費用をカットし,CI結果の予測により瞬時フィードバックを提供した。それにもかかわらず,効果的な学習は,新しいプロジェクトでは利用できない大規模な訓練データを必要とする。さらに,異なるプロジェクトの多様化特性のため,他のプロジェクトに建設された再利用モデルは貧弱な性能をもたらす。この問題に取り組むために,新しいアクティブオンラインモデル適応アプローチACONAを提案し,それは,様々なプロジェクトで訓練された分類器のプールを動的に適応し,新しいデータの一部だけを用いて,新しいプロジェクトを能動的に選択する。Travis CIに関する経験的研究により,ACONAが40.0%のF-平均の改善を達成し,一方,63.2%のAccumulated誤差を低減し,適応モデルが既存の手法より優れていることを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】