logseq/journals/2024_07_07.md

• • #.tabular

    • 🗒️Notes

      • 
      • EMELIOT MEETING 8-9 Luglio 2024 - L'Aquila - Google Docs type:: meeting tags:: PROJECTS/PRIN-EMELIOT location:: L'AQUILA
        • Fairness By Design? Experimenting Prompt Engineering Patterns to Generate Fairness-Preserving Synthetic Datasets for Machine Learning-Enabled Systems (Salerno) collapsed:: true
          • Patterns di prompt engineering per generare dataset che siano fair by design
            • RQ0: metriche di qualità strutturali
              • Completezza
              • Uniqueness
              • Consistency
              • Readability
            • RQ1: Structural quality of dataset generated by LLMs
              • Esistono qualita' strutturali?
              • Metriche: AOD, SPD, EOD
            • RQ2: Performance dei modelli addestrati con dati generati
            • RQ3: fairness di modelli addressati con dati originali vs quelli generati
          • Three different prompts
            • 0-shot (nessun esempio)
            • 1-shot
            • 2-shot (due esempi)
        • DUrante la presentazone di Claudio sul lavoro di ICSE, Leonardo ci ha suggerito di provare a estrarere le regole del random forest risultanti dall'attività di training Ideas
          • C'e' incrementalità?
          • Se aggiungo dati, cambia il risultato della mia predizione?
          • Collegare il lavoro a quello di generazione di dati sintetici? Chiedo a chatgpt di generare dati dando in input le regole randomforest (vedi commento precedente)
        • Appunti meeting emeliot (Antinisca):
          • 1-per il lavoro sui sintomi:
          • a-definire meglio lo scenario d'uso
          • b-estrarre da random forest le regole per interpretare le predizioni che fa
          • c-usare le regole interpretative delle predizione di random forest per generare i dataset sintetici (per esempio usando l'approccio presentato da salerno)
            • per la generazione di modelli e in generale per task a supporto di software eng. forse meglio usare copilot (ma attenzione a privacy e aspetti etici) oppure GPT con librerie - suggerimento di Max
        • Creation of User Stories with LLMs (Luciano)
          • Ausilio alla generazione e valutazione dei requisiti
          • DONE Vedere lavoro Alessio Ferrari di ICSE 2023 per fare analisi di user stories definite da studenti :LOGBOOK: CLOCK: [2025-05-26 Mon 22:19:17]--[2025-05-26 Mon 22:19:17] => 00:00:00 :END:
          • Vedere anche lavoro di Fabiano Dalpiaz su User Stories id:: 668e3747-dff2-4f1a-84b2-1d75cbd83aa1
          • Syntactic Metrics
            • Automated tool AQUSA
          • Semantic Metrics Ideas
            • Feature specifity (FS)
            • Rational Clarity (RC)
            • Problem-Oriented (PO)
            • Language Clarity (LC)
            • Internal Consistency (IC)
        • AI Technical Debt Unveiled: Understanding the Impact of AI-Specific Technical Debt (Salerno)
          • 36 data smells (consistency, etc.)
          • C'e' un articolo di Arie Van Daursen su data smells in public datasets (14 data smells raggruppati in 5 categorie)
        • A study on factors affecting the reproducibility of deep learning model training (UniSannio)
          • Fattori che influenzano la riproducibilità del training:
            • Randomness
              • Governato dal random seed
            • Non determinismo dell'hardware
          • Con il lavoro che stanno facendo stanno cercando di controllare la randomness del software e il non-determinismo dell'hardware.
          • Dallo studio si evince che i fattori che hanno un impatto sulla riproducibitlià e che quindi andrebbero documentati sono:
            • Uso di GPU diverse
            • DL libraries and their versions
            • Random seed initialization
        • Chatbot Testing (UniMiB)
          • Botium, CTG sono strumenti di chatbot generation
        • Data management in edge environments (PoliMi)
          • Data Shipping Architecture
            • Contesto Serverless Edge Computing -> Open issues
          • FRED (Software Practice and Experience, 2023)
          • FogStore
          • Integrazione data e computation management
            • Partendo da Neptune
          • Formalizzato il problema delle repliche come problema di ottimizzazione (definito un modello di costo)
          • La novelty sta nel placement ottimale di DATI E FUNZIONI

        • Resource provisioning for ML training (PoliMi)

    • 📜Reviews

      • {{query (and REVIEWS (or (property :date-end 07-07-2024) (property :date-start 07-07-2024) (property :date-submitted 07-07-2024)))}} query-table:: true query-properties:: [:file :year :venue :deadline]

    • ⤴️Omnivore readings

      • {{query (and (property :source Omnivore) (or (property :deadline 07-07-2024) (property :date-saved 07-07-2024) (property :date-archived 07-07-2024)))}} query-table:: true query-properties:: [:labels :state :full-title]