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。
機械学習(ML)研究出版は,GitHubに関するオープンソース実装を一般的に提供し,機械学習アルゴリズム,データセット,およびメタデータを複製,検証,または拡張するのを可能にする。しかし,このようなML研究リポジトリに起こる協調活動の程度については,特に,そのようなリポジトリがフォークからの寄与を受け,そのような寄与の性質(すなわち,変化のタイプ),および(3)フォークに戻らない変化の性質,すなわち,見逃された機会を表すかもしれない変化の性質について,これまでほとんど知られていない。本論文では,1,346ML研究リポジトリおよび67,369フォークに対する貢献を,定量的および定性的(Hindleらのコード変化の精巧な分類で構築することにより)について経験的に研究した。著者らは,ML研究リポジトリが,非常に多いが,フォークの9%だけが,偽造されたリポジトリに修正をしていることを見出した。後者の42%は親のリポジトリに変わり,その半分は親のリポジトリによって受け入れられた。539の貢献と378の局所的(フォークのみ)変化に関する著者らの定性分析は,ML(Data)に関連した1つの新しいトップレベル変化カテゴリーと,9つのML特異的もの(入力データ,出力データ,プログラムデータ,共有,変化評価,パラメータ調整,性能,前処理,モデル訓練)を含む15の新しいサブカテゴリによって,Hindleらの分類を拡大した。フォークによって戻らない変化は,主にドメイン特異的カスタマイゼーションと局所実験(例えば,パラメータ調整)に関心があり,起源MLリポジトリは,無視できない15.4%の文書化変化,13.6%の特性変化,および11.4%のBug固定変化に誤っています。本論文の知見は,実務者,研究者,ツールミット,および教育者にとって有用である。【JST・京大機械翻訳】
