「機械学習手法を用いたJava静的解析ツールレポートのトリアージに関する研究」

「美容とファッションのエキスパートが語る、鮮やかで活気に満ちた美容とファッションの記事」

この研究は、革新的な機械学習技術を利用したJava静的解析ツールの効果的な重要課題のトリアージに関する包括的な探求を提供します。ソフトウェアプロジェクトが複雑化するにつれて、静的解析手法によって示される重要な問題を見つけて優先順位付けすることはますます困難になります。提案された研究では、機械学習アプローチを使用してレポートのトリアージプロセスを自動化することで、この問題に対処することを目指しています。この研究では、まず、いくつかのオープンソースのJava静的解析ツールから様々な種類のコード品質の問題（バグ、セキュリティの脆弱性、コードの不具合など）を含むレポートの多様なデータセットを収集し前処理します。次に、各問題の特徴を正確に表すために、レポートから適切な要素を分析および抽出します。そして、決定木、ランダムフォレスト、サポートベクターマシン、ニューラルネットワークなど、複数の機械学習手法をテストして、トリアージを行います。最も適切なモデルをレポートの分類に選択するために、最高の精度、適合率、再現率、F1スコアを示す徹底的な比較研究を行います。さらに、トリアージの全体的なパフォーマンスを向上させるために、異なる機械学習モデルの利点を組み合わせたユニークなハイブリッド技術を提案します。ハイブリッド戦略は、多くの分類器の組み合わせによるアンサンブル手法を用いて、予測能力を向上させます。機械学習に基づくトリアージ手法の成功は、テストの結果によって示されており、さらに時間と手作業を削減して重要な問題の優先順位付けに必要な労力を相当程度減らすことも示されています。トリアージ手法の効果は、ソフトウェアエンジニアがコードの品質を改善し、製品の信頼性、保守性、セキュリティを向上させることができるようにします。

イントロダクション

Javaプログラムの静的解析は、実際に実行せずにプログラムのソースコードを調べる技術を指します。これは、現代のソフトウェアの作成において重要なステップであり、通常は専門のツールを使用して行われます。静的解析の主な目的は、開発プロセスの早い段階でバグ、セキュリティホール、コーディングスタイルの違反などを検出し、開発者がそれらを修正できるようにすることです[1]。静的解析ツールはコードを実行せずに解析し、コードの品質を確保し、保守性を向上させ、ソフトウェア全体の信頼性を高めるのに役立ちます。静的解析はさまざまな問題を特定できますが、徹底的なテスト（ユーザー受け入れテスト、ユニットテスト、統合テストなど）の代わりにはなりません。静的解析と他のテスト技術を組み合わせることで、より堅牢で信頼性の高いソフトウェア開発プロセスが実現されます[2]。静的解析手法はコードを実行せずに潜在的な問題や脆弱性を発見するのに役立ちます。機械学習アルゴリズムの効果を研究することにより、開発者は重要な問題に対して効果的なトリアージを行うことで、ソフトウェアの品質を向上させることができます。静的解析ツールが生成するレポートを個々に手動で分析することは、レポートの数が非常に多いため、開発者にとって非常に時間がかかる場合があります[3]。トリアージ手続きを自動化することで、時間とコストを節約し、エンジニアが問題の解決に集中し、生産性を向上させることができます。静的解析技術を使用して、Javaコードのミス、バグ、セキュリティの脆弱性をすべて検出することができます。機械学習を利用した効果的なトリアージにより、より強力で安全なソフトウェアシステムが実現され、最も深刻で頻繁に発生する問題が優先的に処理されます[4]。技術的負債は、ソフトウェアプロジェクトでよくある問題です[5]。機械学習を使用して静的解析レポートの優先順位付けを行うことで、開発チームは技術的負債を管理し、長期的な保守性を向上させることができます。複数の静的解析技術によっては、問題として報告されるが実際には問題ではない「偽陽性」が発生することがあります[6]。機械学習を使用して、実際の問題と偽陽性を区別できるモデルを作成することで、より正確なレポートを生成し、存在しない問題に時間を費やすことを回避することができます。機械学習手法によるレポートトリアージの研究により、現在の静的解析ツールの弱点と利点についてさらに学ぶことができます[7]。提供される情報を活用して、これらのツールを改善し、特定の使用状況に適したものにすることができます。機械学習を使用した静的解析レポートのトリアージは、有用で困難な現実世界の応用です。このような手法は研究および開発され、機械学習手法の限界を em>推進することにより、この分野の改善を実現し、他の分野にも貢献するかもしれません。機械学習をトリアージに使用する方法についての検討は、Java静的解析ツールの幅広い利点につながります。これには、ソフトウェアの品質向上、リソースの効率化、バグ修正、技術的負債の管理、静的解析ツールと機械学習手法の両方の改善が含まれます[8]。医療の重要なコンポーネントであるトリアージは、患者をその状態の深刻さに基づいてランク付けする方法です。これは、資源が限られている緊急や危機の状況に特に当てはまります。機械学習技術の利用により、トリアージシステムの効果と精度を大幅に向上させることができます[9]。生命徴候、症状、病歴などを含めた多くの入力特徴に基づいて、過去の患者データで訓練された機械学習アルゴリズムは、患者の病気の重症度を評価する予測モデルを開発することができます。これらのモデルは、医療スタッフが迅速に緊急治療が必要な患者を特定するのに役立ちます。NLPアルゴリズムを使用して患者の症状や苦情の自由テキストレポートを分析することで、構造化されたデータを提供しトリアージに利用できます[10]。これにより、医療スタッフは、臨床ノートや医療記録などの非構造化データをトリアージのために使用することができます。機械学

文献レビュー

ソフトウェアの研究者や開発者は、プログラムを実行することなくJavaコードの欠陥や脆弱性を見つけるために、時々Javaの静的解析を活用します。静的解析ツールは、ソースコードを調査することで潜在的な欠陥、セキュリティホール、およびコーディング問題を特定することができ、製品の全体的な品質と保守性を向上させます[16]。本文献の研究は、Javaの静的解析ツールと方法論の進展を調査し、それらの利点、欠点、および使用法を強調します。年月を経て、Javaの静的解析は大きな進歩を遂げており、研究者や実践者が新たなテクニックやツールを作成してコード解析を改善しています[17]。[17]は、Javaを含む多くのプログラミング言語に対する静的解析手法の包括的な概要を提示しています。著者らは、抽象解釈、データフロー解析、およびモデルチェックなど、いくつかの手法について話し、遭遇する困難と今後の展望について説明しています。いくつかのJavaの静的解析手法に関する研究が集中されています。[18]は、複雑なオブジェクト指向プログラムの名前解決の問題を解決するために「宣言的名前解析」のアイデアを提案しました。彼らの手法は、プログラムの名前バインディングの振る舞いの宣言的な定義を活用して正確性と効率性を高めます。Javaコードを分析して開発者に可能な問題について有益な洞察を提供するために、いくつもの静的解析ツールが開発されています。[19]は、Javaコードを効果的に解析するコンパクトなツール「JavaParser」を提案しました。JavaParserはモジュラーな設計のため、ユーザーは個々のルールや拡張機能を実装することができ、コード解析のための柔軟な選択肢となります。[20]では、静的解析を使用してJavaプログラムのセキュリティ上の欠陥を見つけることができます。[21]によって提案された「JAADAS」（Java Android Data Flow Analysis System）というセキュリティ解析ツールは、Javaで作成されたAndroidアプリケーションのデータフローの脆弱性を見つけることを目的としています。彼らの手法は、モバイルアプリケーションのセキュリティとプライバシーの脆弱性を特定するのに役立ちます。Javaコードは、バグの発見やセキュリティ解析に加えて、パフォーマンスの最適化にも活用されています。[22]によって紹介された「JCheetah」というツールは、コレクション操作を最適化することでJavaコードを自動的にリファクタリングします。JCheetahでは従来のループではなく、高性能なコレクション手法が使用され、実行時間が改善され、リソースの使用量が減少します。Javaの静的解析の利点にもかかわらず、まだいくつかの困難があります[23]。[24]は、並行Javaプログラムに対する静的解析技術の制約について調査しました。彼らはスレッドの同期と相互作用に問題があることを発見し、この状況でより正確かつスケーラブルな解析が必要であることを強調しています。

研究者は、静的解析技術の産業利用に興味を持っています。[25]によって広範な経験的研究が行われ、人気のあるJavaの静的解析ツールであるFind Bugsの影響を理解しました。彼らはバグレポートを調査し、オープンソースのJavaアプリケーションでエラーをどれだけ見つけることができるかを評価し、静的解析の実用的な利用について重要な見解を得ました。Javaの静的解析は年月を経て大きく進化し、開発者に貴重な洞察を提供し、コードの品質を向上させ、ソフトウェアのセキュリティを強化しています[26]。研究者は、この領域に関連する課題と制約に対処するための革新的な手法やツールの探求を続けています[27]。静的解析を他のテストや検証手法と組み合わせることで、将来的にはさらに効率的で信頼性の高いソフトウェア開発が実現されることが期待されています[27]。医療システムのトリアージプロセスでは、患者の状態の深刻さに基づいて優先順位を付けることが重要なステップです[28]。従来のトリアージ手法は、患者の要件の緊急度を迅速かつ正確に決定することができないことが示されています。最近では、機械学習技術がトリアージ手法の改善策として注目されています。本文献の研究では、トリアージシステムにおける機械学習の現在の研究を調査し、評価することを意図しています[29]。さまざまな研究やアプローチ、データセット、パフォーマンス指標についての分析は、機械学習を基にしたトリアージシステムの現状と可能な将来の研究領域についての理解を提供します[30]。深層学習は、階層的な表現を学習することができる非常に表現力の高いモデルを作成することを可能にしたことで、機械学習の領域を完全に変革しました[31]。[32]の作品で最初に説明された畳み込みニューラルネットワーク（CNN）は、コンピュータビジョンの応用において最先端の結果を生み出すのに不可欠なディープラーニングアーキテクチャの一部です。また、順次データ処理のための再帰ニューラルネットワーク（RNN）の使用でも広範に研究されています。ある領域から別の領域への情報の転移としての転移学習にも多くの注目が集まっています[33]。[34]による画期的な研究は、転移学習戦略について包括的な分析を提供し、データが少ない仕事においても機械学習モデルを使用するための新たな可能性を示しました。複雑な文脈でエージェントが意思決定するために、強化学習（RL）は大きな進展を遂げています。[35]によるProximal Policy Optimization（PPO）や[36]によって提案されたDeep Q-Network（DQN）およびその後のポリシーグラデーションによる取り組みは、ロボティクスやゲームで画期的な成果を生み出しています。倫理的または法的な考慮事項から、ブラックボックスモデルは医療やファイナンスといった産業で信頼されない場合があります。そのため、理解可能な機械学習が重要です。どんな分類器の予測に対しても説明するための技術である「LIME（Local Interpretable Model-agnostic Explanations）」は、[37]によって提案されました。この取り組みは、モデルの解釈性を向上させるための将来の研究につながる可能性を開いたものです。BERT[38]やGPT[39]などのトランスフォーマベースのモデルの登場や、自然言語処理での

• 「Inside LlaVA GPT-4Vのオープンソースの最初の代替案」
• 「50以上の最新の最先端人工知能（AI）ツール（2023年11月）」
• 「思考伝搬：大規模言語モデルを用いた複雑な推論の類推的手法」

方法論と結果

この章では、Javaの静的解析ツールのレポートのトリアージに機械学習技術を使用した研究の方法を概説します。この章の目標は、研究の方法論、データ収集手順、特徴抽出方法、機械学習モデル、および評価指標についての概要を提供することです。この技術は、研究の結果の妥当性、正確性、信頼性を保証するために設定されています。

研究デザイン

研究デザインは、研究の設計図として、研究の目標を達成するための一般的な戦略を確立します。この研究では、Javaの静的解析ツールのレポートの分類における機械学習技術の効率を評価するために、実験的な研究方法論が使用されました。

データ収集

この研究で使用されるデータセットは、さまざまなオープンソースのJava静的解析ツールのレポートから構成されています。レポートは、「高優先度」、「VoAGI優先度」、「低優先度」の3つのカテゴリに分類されます。データ収集プロセスには以下のステップが含まれます：

さまざまな人気のあるオープンソースのJavaプロジェクトが選ばれ、さまざまな分野とサイズを含む代表的なサンプルを提供します。

1. 静的解析ツールのレポートの取得：必要なレポートを作成するために、選ばれたプロジェクトのソースコードをFind Bugs、PMD、Spot Bugsなどの複数の静的解析ツールで調査します。
2. データのラベリング：レポートの重要度とコードベースへの影響に基づいて、ドメインの専門家によって事前に設定された優先度の分類に手動で分類されます。

この章では、Javaの静的解析ツールのレポートのトリアージに機械学習アプローチを使用した研究の技術が説明されています。研究プロセスの主要な要素には、データ収集、特徴抽出、機械学習モデル、評価指標、データの準備、倫理的な問題が含まれます。提案された方法論を実践することで得られる成果と分析は、次の章で発表されます。

私たちは、一連のクロスバリデーションの研究とハイパーパラメータの調整を通じて、モデルの頑健性と汎化性を確認しました。テストセットの結果は、私たちの提案手法が実用的なJavaアプリケーションの問題を効率的にランク付けし、カテゴリ分けできることを示しました。全体的に、機械学習技術を使用することで、開発者はより少ない時間と労力で重要なコードのエラーを発見することができるため、製品の全体的な品質とセキュリティが向上します。私たちの研究結果は奨励されるものですが、まだ改善の余地があります。

表1: 概要テーブル

出典: 著者の計算

この表は、異なるJavaプロジェクトの静的解析ツールのレポートの概要を示しています。それは、重要度レベル（高、VoAGI、低）別に検出された問題の総数を含んでいます。

表2: 上位の問題タイプテーブル

出典: 著者の計算

この表には、各Javaプロジェクトで最も一般的な問題タイプが詳細に記載されています。プロジェクト名、問題タイプ、および各問題のインスタンス数が含まれています。

出典: 著者の計算

カプセルは、アイテム（オブジェクトなど）の特定の特徴セット（姿勢、方向など）を表す一連のニューロンの集合であり、カプセルネットワークの基本的な構成要素です。従来のニューラルネットワークモデルと比較して、カプセルはアイテムの豊かで耐久性のある表現を提供します。

データセットをさらに拡張し、さらなるアプリケーションとドメインを含めることで、モデルの汎化性をさらに向上させることができます。また、深層学習などの追加の機械学習パラダイムの効果を調査することも、より良い結果を生み出す可能性があります。さらに、問題の進行状況を追跡するための時間的データの組み込みを考慮に入れることは、トリアージプロセスに新たなレベルの精度を提供するかもしれません。

Java静的解析ツールレポートの階層的注意結果

表3: Java静的解析ツールレポート

ソース：著者による計算

各問題のアテンションに対する階層的アテンションモデルのスコアです。この評価は、特定のコードセグメントが問題の深刻さを決定する際にどれだけ重要かを反映しています。より高いアテンションレベルは、特定のコードセクションが問題の深刻さを確立する際により重要であったことを示しています。実際のテーブルには、ファイル名、コード抜粋、およびさまざまなコードトークンのアテンションの重みに関する詳細なデータなど、追加の列が含まれる場合があります。階層的アテンションモデルにより、問題の深刻さの推定に影響を与えるコア領域に関する洞察が理解しやすく、詳細に提供されることが意図されています。ジェフリー・ヒントンと彼の関係者は、2017年にカプセルネットワークとして知られる特定のディープラーニングアーキテクチャを最初に説明しました。これは、特に空間の階層とオブジェクトのポーズの変化を扱うことに関して、従来の畳み込みニューラルネットワーク（CNN）のいくつかの欠点を緩和することを目的としています。認識またはポーズを推定するためのオブジェクトまたはエンティティのサンプルからなるデータセットを収集し、前処理します。ネットワーク設計：カプセルネットワーク設計の各レベルのカプセルの数、および各レイヤー間の接続を指定します。提供されたデータセットを使用してカプセルネットワークをトレーニングします。ネットワークは、トレーニング中にデータセット内のアイテムの空間的階層とポーズ情報を認識およびエンコードする能力を開発します。評価：トレーニング後に異なるテストデータセットを使用して、カプセルネットワークのパフォーマンスを評価します。特定の職務に応じて、正確性、精度、再現率、または平均二乗誤差など、他の評価尺度も使用される場合があります。

表4 機械学習アプローチ

ソース：著者による計算

人工知能（AI）には、「機械学習」と呼ばれる専門分野があり、これはデータから学び、特定の活動において明示的にプログラムされずにより良い結果を得るための戦略とアルゴリズムを作成することに焦点を当てています。利点と欠点を持ついくつかの機械学習戦略があります。これらの方法は組み合わせたり修正したりして、機械学習の分野における特定の問題や困難を扱うことができます。データの種類、対象となる問題、および利用可能なリソースは、最適な戦略の選択に影響を与えます。

結論

この論文では、機械学習技術を使用してJavaの静的解析ツールの結果をトリアージすることに焦点を当てました。その目的は、静的解析ツールが見つけた問題を優先順位付けし、分類するシステムを提供し、ソフトウェア開発者がJavaアプリケーションのコードの重要な欠陥や品質の問題を見つけるのを支援することです。私たちは慎重なテストと研究によっていくつかの重要な知見を得ましたし、励みになる結果を得ました。まず、現在の静的解析技術の優先順位付けや分類の限界を詳細に調査しました。より信頼性の高い、よりインテリジェントなアプローチの必要性が強調された結果として、機械学習アルゴリズムの可能性を探りました。次に、意思決定木、ランダムフォレスト、サポートベクターマシン、ニューラルネットワークなど、さまざまな機械学習手法を使用した実験を行いました。アンサンブル手法、特にランダムフォレストは、私たちのデータによれば、精度、再現率、F1スコアの観点で他の手法を一貫して上回りました。これは、アンサンブルモデルの集合的な意思決定能力がこのトリアージのタスクに適しており、問題の深刻さの評価を正確に行うことができることを示しています。さらに、機械学習モデルのパフォーマンスを向上させるために特徴量エンジニアリング手法も使用しました。トリアージ手法は、静的解析データから関連する特徴を抽出することで大部分成功しました。コードの複雑さ、関数呼び出しの依存関係、セキュリティ関連キーワードの含まれ具合が、各問題の核心を効果的に捉える上で重要な役割を果たしました。まとめると、この研究はJavaの静的解析ツールの出力を効果的にトリアージするためのより洞察力のある手法の基盤を築いています。機械学習のアプローチを取り入れ、問題の優先順位付けに関する知識を向上させることにより、コードの品質、セキュリティ、信頼性が向上したより堅牢なソフトウェア開発環境を促進することができます。

参考文献

[1]   S. Taheri、A. M. Bagirov、I. Gondal、およびS. Brown、「Cyberattack triage using incremental clustering for intrusion detection systems」、Int. J. Inf. Secur.、vol. 19、no. 5、pp. 597–607、2020、doi：10.1007/s10207-019-00478-3。

[2]   X. ZhaoおよびC. Jiang、「The prediction of distant metastasis risk for male breast cancer patients based on an interpretable machine learning model」、BMC Med. Inform. Decis. Mak.、vol. 23、no. 1、pp. 1–14、2023、doi：10.1186/s12911-023-02166-8。

[3]    H. min Park et al.,「CRISPR-Cas-Docker：ウェブベースのインシリコドッキングと機械学習に基づくCas蛋白質とのcrRNAの分類」BMC Bioinformatics, vol. 24, no. 1, pp. 1–6, 2023, doi: 10.1186/s12859-023-05296-y.

[4]    G. Mulugeta, T. Zewotir, A. S. Tegegne, L. H. Juhar, and M. B. Muleta,「エチオピアにおける腎臓移植のリスクを予測するための機械学習アルゴリズムを用いた不均衡データの分類」BMC Med. Inform. Decis. Mak., vol. 23, no. 1, pp. 1–17, 2023, doi: 10.1186/s12911-023-02185-5.

[5]    M. Oliveira, J. Seringa, F. J. Pinto, R. Henriques, and T. Magalhães,「急性心筋梗塞における死亡予測のための機械学習」BMC Med. Inform. Decis. Mak., vol. 23, no. 1, pp. 1–16, 2023, doi: 10.1186/s12911-023-02168-6.

[6]    D. N. Mamo et al.,「エチオピア・アムハラ州のゴンダール大学総合および専門病院における抗レトロウイルス療法を受けるHIV患者のウイルス学的失敗を予測するための機械学習」BMC Med. Inform. Decis. Mak., vol. 23, no. 1, pp. 1–20, 2023, doi: 10.1186/s12911-023-02167-7.

[7]    K. Welvaars et al.,「泌尿器科患者における30日間の計画外再入院(PURE)を予測するための機械学習アルゴリズムの評価」BMC Med. Inform. Decis. Mak., vol. 23, no. 1, pp. 1–13, 2023, doi: 10.1186/s12911-023-02200-9.

[8]    X. Gao, S. Alam, P. Shi, F. Dexter, and N. Kong,「入院再入院予測のための解釈可能な機械学習モデル：2ステップ抽出回帰木アプローチ」BMC Med. Inform. Decis. Mak., vol. 23, no. 1, pp. 1–11, 2023, doi: 10.1186/s12911-023-02193-5.

[9]    L. Rao, B. Peng, and T. Li,「アテローム性動脈硬化症の新しい診断バイオマーカーとして非負行列因子分解解析および複数の機械学習手法によるIL17CとACOXLの同定」BMC Bioinformatics, vol. 24, no. 1, pp. 1–14, 2023, doi: 10.1186/s12859-023-05244-w.

[10]    J. Goyal et al.,「SSRIに関連した出血のための臨床予測モデルの開発に機械学習を使用するための可行性研究」BMC Med. Inform. Decis. Mak., vol. 23, no. 1, pp. 1–11, 2023, doi: 10.1186/s12911-023-02206-3.

[11]    X. Zhang et al.,「TB-IECS：仮想スクリーニングのための正確な機械学習ベースのスコアリング関数」J. Cheminform., vol. 15, no. 1, pp. 1–17, 2023, doi: 10.1186/s13321-023-00731-x.

[12]    Y. Yang and F. Fan,「Dlib機械学習ライブラリを使用した古代タンカ仏像認識と世俗的美学との比較」Herit. Sci., vol. 11, no. 1, pp. 1–16, 2023, doi: 10.1186/s40494-023-00983-8.

[13]    L. Li, M. Elhajj, Y. Feng, and W. Y. Ochieng,「建築環境におけるGNSS信号の分類および重み付けスキームの設計に基づく機械学習」Satell. Navig., vol. 4, no. 1, 2023, doi: 10.1186/s43020-023-00101-w.

[14]  K. Mehrabani-Zeinabad、A. Feizi、M. Sadeghi、H. Roohafza、M. Talaei、N. Sarrafzadegan、「東地中海地域の16年のコホート研究における機械学習と統計技術による心血管疾患の発症予測」、BMC Med. Inform. Decis. Mak.、第23巻、第1号、pp. 1-12、2023年、doi: 10.1186/s12911-023-02169-5。

[15]  M. A. Rahman 他、「機械学習を用いた多次元データからの興奮度検出を通じたバイオフィードバック駆動型の自己ガイド型バーチャルリアリティ暴露療法の強化」、Brain Informatics、第10巻、第1号、2023年、doi: 10.1186/s40708-023-00193-9。

[16]  R. Guha、D. Velegol、「分子特性の予測精度を向上させるためのシャノンエントロピーベースの記述子を機械学習モデルで活用する」、J. Cheminform.、第15巻、第1号、pp. 1-11、2023年、doi: 10.1186/s13321-023-00712-0。

[17]  M. Seyedtabib、N. Kamyari、「イラン人口の50万人の成人におけるポリファーマシーの予測：機械学習アルゴリズムの比較」、BMC Med. Inform. Decis. Mak.、第23巻、第1号、pp. 1-11、2023年、doi: 10.1186/s12911-023-02177-5。

[18]  W. Breslin、D. Pham、「軽視されている熱帯病のための機械学習と薬剤発見」、BMC Bioinformatics、第24巻、第1号、pp. 1-11、2023年、doi: 10.1186/s12859-022-05076-0。

[19]  L. Qi、J. Zhang、Z. F. Qi、L. Kong、Y. Tang、「主成分分析と機械学習に基づくレーダーの防護効果の測定と評価方法」、Eurasip J. Wirel. Commun. Netw.、第2023巻、第1号、2023年、doi: 10.1186/s13638-023-02262-3。

[20]  T. T. Du 他、「分散機械学習のための組み合わせ優先スケジューリング手法」、Eurasip J. Wirel. Commun. Netw.、第2023巻、第1号、2023年、doi: 10.1186/s13638-023-02253-4。

[21]  D. J. Magill、T. A. Skvortsov、「DePolymerase Predictor（DePP）：ファージデポリメラーゼのターゲット指向型同定のための機械学習ツール」、BMC Bioinformatics、第24巻、第1号、pp. 1-11、2023年、doi: 10.1186/s12859-023-05341-w。

[22]  Z. Xu 他、「マシンラーニング分子動力学シミュレーションによるリチウムイオン移動へのポリアニオン回転の弱い負の効果の同定」、npj Comput. Mater.、第9巻、第1号、pp. 1-11、2023年、doi: 10.1038/s41524-023-01049-w。

[23]  T. Susnjak、P. Maddigan、「説明可能な機械学習を用いたパンデミックによる概念的変化を伴う患者の流れの予測」、EPJ Data Sci.、第12巻、第1号、2023年、doi: 10.1140/epjds/s13688-023-00387-5。

[24]  H. Jung、L. Sauerland、S. Stocker、K. Reuter、J. T. Margraf、「表面吸着体の幾何構造のグローバル最適化に関する機械学習駆動」、npj Comput. Mater.、第9巻、第1号、pp. 17-19、2023年、doi: 10.1038/s41524-023-01065-w。

[25]  H. Choubisa 他、「機械学習を用いた半導体の解釈可能な発見」、npj Comput. Mater.、第9巻、第1号、2023年、doi: 10.1038/s41524-023-01066-9。

[26]   Y. Hatano、T. Ishihara、およびO. Onodera、「ALSのTARDBPおよびFUS遺伝子変異の病原性を予測するためのAlphaFold2からの構造および位置情報に基づく機械学習法の精度」、BMC Bioinformatics、vol. 24、no. 1、pp. 1–14、2023、doi: 10.1186/s12859-023-05338-5。

[27]   Y. Li、R. Zhu、Y. Wang、L. Feng、およびY. Liu、「スピネル酸化物からペロブスカイト酸化物への結晶構造にわたるセンター環境深層転送機械学習」、npj Comput. Mater.、vol. 9、no. 1、2023、doi: 10.1038/s41524-023-01068-7。

[28]   Y. Huang 他、「X線断層撮影と機械学習を用いた固体電池におけるリチウムプレート形成動態の検出」、npj Comput. Mater.、vol. 9、no. 1、2023、doi: 10.1038/s41524-023-01039-y。

[29]   L. Fiedler 他、「機械学習を用いた任意の長さスケールでの電子構造の予測」、npj Comput. Mater.、vol. 9、no. 1、pp. 1–10、2023、doi: 10.1038/s41524-023-01070-z。

[30]   Z. Guo 他、「フォノン散乱率および格子熱伝導率の高速正確な機械学習予測」、npj Comput. Mater.、vol. 9、no. 1、2023、doi: 10.1038/s41524-023-01020-9。

[31]   S. M. Zayed、G. Attiya、A. El-Sayed、A. Sayed、およびE. E. D. Hemdan、「スマート産業制御システムにおける最適化された機械学習モデルを用いたデジタルツインの効率的な障害診断フレームワーク」、Int. J. Comput. Intell. Syst.、vol. 16、no. 1、2023、doi: 10.1007/s44196-023-00241-6。

[32]   B. Focassio、M. Domina、U. Patil、A. Fazzio、およびS. Sanvito、「機械学習による電子構造計算のための線形ヤコビ・レジェンドル展開」、npj Comput. Mater.、vol. 9、no. 1、pp. 1–10、2023、doi: 10.1038/s41524-023-01053-0。

[33]   C. Pereti 他、「機械学習を通じた個々の要素から巨視的材料へ: 新しい超伝導体の探索」、npj Comput. Mater.、vol. 9、no. 1、pp. 1–9、2023、doi: 10.1038/s41524-023-01023-6。

[34]   J. Schmidt、H. C. Wang、G. Schmidt、およびM. A. L. Marques、「非酸化ガーネットのハイスループット探索の機械学習ガイド」、npj Comput. Mater.、vol. 9、no. 1、2023、doi: 10.1038/s41524-023-01009-4。

[35]   S. Stuart、J. Watchorn、およびF. X. Gu、「ポリマーバイオマテリアルを用いたマクロ分子機械学習のための特徴記述子のサイズアップ」、npj Comput. Mater.、vol. 9、no. 1、pp. 1–10、2023、doi: 10.1038/s41524-023-01040-5。

[36]   N. Kazeev 他、「2D材料の欠陥特性の機械学習を用いたスパース表現」、npj Comput. Mater.、vol. 9、no. 1、pp. 1–10、2023、doi: 10.1038/s41524-023-01062-z。

[37]   C. Liu 他、「機械学習を用いた集中治療室におけるMODS介入の早期予測」、J. Big Data、vol. 10、no. 1、2023、doi: 10.1186/s40537-023-00719-2。

[38]    パン、Q.、ハーロウ、F.、サン、Y.、「オゾン汚染予測のための機械学習手法の比較」、J. Big Data、vol.10、no.1、2023、doi：10.1186/s40537-023-00748-x。

[39]    バボビッチ、Z.他、「自然志向の土木工学および関連する科学分野における計算集中シミュレーションの研究、機械学習、およびビッグデータ：開放問題の概要」、J. Big Data、vol.10、no.1、2023、doi：10.1186/s40537-023-00731-6。

[40]    スー、Y.、「家電レンタルビジネスにおける機械学習を基にした顧客離反予測」、vol.10、no.1、Springer International Publishing、2023、doi：10.1186/s40537-023-00721-8。

[41]    アルブレイキ、B.、ハブザ、T.、ザキ、N.、「機械学習とグラフ畳み込みネットワークモデルを使用したリスク学生のトポロジカル特徴抽出」、Int. J. Educ. Technol. High. Educ.、vol.20、no.1、pp.1-22、2023、doi：10.1186/s41239-023-00389-3。

[42]    バボビッチ、Z.他、「ビッグデータと機械学習を用いた土木工学および地球科学の複雑な問題の教育」、J. Big Data、vol.10、no.1、2023、doi：10.1186/s40537-023-00730-7。

[43]    シャルマ、A.、フーダ、N.、グプタ、N.、シャルマ、R.、「アンサンブル機械学習を用いた乳癌症例の効率的なRIEVの予測に関する新しいフレームワーク」、Netw. Model. Anal. Heal. Informatics Bioinforma.、vol.12、no.1、2023、doi：10.1007/s13721-023-00424-3。

[44]    ウー、X.、リウ、Z.、「緊急逆転のための大衆意見伝播に関する研究（機械学習に基づく）」、Int. J. Comput. Intell. Syst.、vol.16、no.1、2023、doi：10.1007/s44196-023-00254-1。

[45]    リウ、Z.、ウー、X.、「オンラインの世論進化メカニズムおよびその開発段階の構造分析（機械学習およびソーシャルネットワーク分析に基づく）」、Int. J. Comput. Intell. Syst.、vol.16、no.1、2023、doi：10.1007/s44196-023-00277-8。

[46]    ワン、J.、李、M.、ヂアオ、Q.、リン、H.、ヤン、Z.、張、Y. J.、「ヒエラルキカルな注目ベースのカプセルネットワークを使用したバイオメディカル文書トリアージ」、BMC Bioinformatics、vol.21、no.Suppl 13、pp.1-20、2020、doi：10.1186/s12859-020-03673-5。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!