دانلود مقاله ترجمه شده کاربرد متد های آموزش عمیق با قابلیت ردیابی نرم افزار پیشرفته مفهومی (IEEE 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه IEEE در ۱۲ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۳۶ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۷
تعداد صفحات مقاله انگلیسی	۱۲ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	مهندسی نرم افزار و هوش مصنوعی
مجله	سی و نهمین کنفرانس بین المللی مهندسی نرم افزار ۳۹th International Conference on Software Engineering
دانشگاه	دانشگاه نوتردام، ایالات متحده آمریکا
کلمات کلیدی	قابلیت ردیابی (Traceability)، یادگیری عمیق (Deep Learning)، شبکه عصبی بازگشتی (Recurrent Neural Network)، بازنمایی معنایی (Semantic Representation)
شناسه شاپا یا ISSN	ISSN ۱۵۵۸-۱۲۲۵
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکبده

I. مقدمه

II. یادگیری عمیق برای پردازش زبان طبیعی

A. جاسازی واژه

B. ساختارهای شبکه عصبی

C. شبکه های عصبی بازگشتی (RNN) استاندارد

D. حافظه کوتاه مدت بلند مدت (LSTM)

E. واحد بازگشتی دریچه ای (GRU)

F. دیگر متغیرهای شبکه عصبی بازگشتی (RNN)

III. شبکه ردیابی

A. معماری شبکه

B. آموزش شبکه ردیابی

IV. راه اندازی آزمایش

A. آماده سازی داده ها

B. انتخاب مدل و بهینه سازی اَبَرپارامترها

C. مقایسه روش های ردیابی

V. نتایج و بحث

VI. کارهای مرتبط

VII. تهدید روایی

VIII. نتیجه گیری ها

IX. قدردانی

• بخشی از ترجمه:

VIII. نتیجه گیری ها

در مقاله حاضر، ما یک معماری شبکه عصبی را پیشنهاد نمودیم که از تکنیک های جاسازی واژه و شبکه عصبی بازگشتی (RNN) برای ایجاد خودکار پیوندهای ردیابی بهره می گیرد. واحد بازگشتی دریچه ای دو طرفه وابسته های معنایی موثری را بین محصولات ایجاد نموده و نمرات میانگین متوسط دقت (MAP) به صورت معنی دار بالاتری را نسبت به مدل بردار فضایی (VSM) و یا نمایه سازی معنایی نهفته (LSI) هنگام ارزیابی در مجموعه داده های بزرگ صنعتی ما ارائه می کند. افزون بر این، نمرات میانگین متوسط دقت (MAP) به صورت قابل توجهی دقت و فراخوانی را افزایش می دهد. با توجه به مجموعه آموزش اولیه ای از پیوندهای ردیابی، شبکه ردیابی ما به طور کامل خودکار بوده و بسیار مقیاس پذیر می باشد. در کار آتی، ما با شناسایی و گنجاندن نمونه های منفی نماینده بیشتر در مجموعه آموزشی بر روی بهبود دقت شبکه ردیابی تمرکز می نماییم. در حال حاضر، شبکه ردیابی برای پردازش متن زبان طبیعی آموزش دیده است. در کار آتی، ما به بررسی تکنیک های بکارگیری آن برای انواع دیگری از محصولات همانند: کد منبع و یا داده های فرمت شده می پردازیم. نهایتاً، با توجه به دشواری ها و محدودیت های دستیابی به پیکره های عظیم داده ها ما به بررسی رویکردهای ترکیبی یا هیبریدی می پردازیم که دانش انسانی را با شبکه های عصبی ترکیب می نمایند. به صورت خلاصه، یافته هایی را که ما در این مقاله ارائه نموده ایم، نشان دادند که تکنیک های یادگیری عمیق را می تواند به صورت موثری برای فرآیند ردیابی به کار برد. ما این مساله را به عنوان یک پیشرفت قابل توجه در هدف خود مبنی بر خودکارسازی ایجاد پیوندهای ردیابی دقیق در مجموعه داده های قدرت صنعتی در نظر می گیریم.

• بخشی از مقاله انگلیسی:

VIII. Conclusions

In this paper, we have proposed a neural network architecture that utilizes word embedding and RNN techniques to automatically generate trace links. The Bidirectional Recurrent Gated Unit effectively constructed semantic associations between artifacts, and delivered significantly higher MAP scores than either VSM or LSI when evaluated on our large industrial dataset. It also notably increased both precision and recall. Given an initial training set of trace links, our tracing network is fully automated and highly scalable. In future work, we will focus on improving precision of the tracing network by identifying and including more representative negative examples in the training set. The tracing network is currently trained to process natural language text. In future work, we will investigate techniques for applying it to other types of artifacts such as source code or formatted data. Finally, given the difficulty and limitations of acquiring large corpora of data we will investigate hybrid approaches that combine human knowledge with the neural network. In summary, the findings we have presented in this paper have demonstrated that deep learning techniques can be effectively applied to the tracing process. We see this as a non-trivial advance in our goal of automating the creation of accurate trace links in industrial-strength datasets.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد