The economy of scale provided by cloud attracts a growing number of organizations and industrial companies to deploy their applications in cloud data centers (CDCs) and to provide services to users around the world. The uncertainty of arriving tasks makes it a big challenge for private CDC to cost-effectively schedule delay bounded tasks without exceeding their delay bounds. Unlike previous studies, this paper takes into account the cost minimization problem for private CDC in hybrid clouds, where the energy price of private CDC and execution price of public clouds both show the temporal diversity. Then, this paper proposes a temporal task scheduling algorithm (TTSA) to effectively dispatch all arriving tasks to private CDC and public clouds. In each iteration of TTSA, the cost minimization problem is modeled as a mixed integer linear program and solved by a hybrid simulated-annealing particle-swarm-optimization. The experimental results demonstrate that compared with the existing methods, the optimal or suboptimal scheduling strategy produced by TTSA can efficiently increase the throughput and reduce the cost of private CDC while meeting the delay bounds of all the tasks.

In today's digital world, app stores have become an essential part of software distribution, providing customers with a wide range of applications and opportunities for software developers to showcase their work. This study elaborates on the importance of end-user feedback for software evolution. However, in the literature, more emphasis has been given to high-rating & popular software apps while ignoring comparatively low-rating apps. Therefore, the proposed approach focuses on end-user reviews collected from 64 low-rated apps representing 14 categories in the Amazon App Store. We critically analyze feedback from low-rating apps and developed a grounded theory to identify various concepts important for software evolution and improving its quality including user interface (UI) and user experience (UX), functionality and features, compatibility and device-specific, performance and stability, customer support and responsiveness and security and privacy issues. Then, using a grounded theory and content analysis approach, a novel research dataset is curated to evaluate the performance of baseline machine learning (ML), and state-of-the-art deep learning (DL) algorithms in automatically classifying end-user feedback into frequently occurring issues. Various natural language processing and feature engineering techniques are utilized for improving and optimizing the performance of ML and DL classifiers. Also, an experimental study comparing various ML and DL algorithms, including multinomial naive Bayes (MNB), logistic regression (LR), random forest (RF), multi-layer perception (MLP), k-nearest neighbors (KNN), AdaBoost, Voting, convolutional neural network (CNN), long short-term memory (LSTM), bidirectional long short term memory (BiLSTM), gated recurrent unit (GRU), bidirectional gated recurrent unit (BiGRU), and recurrent neural network (RNN) classifiers, achieved satisfactory results in classifying end-user feedback to commonly occurring issues. Whereas, MLP, RF, BiGRU, GRU, CNN, LSTM, and Classifiers achieved average accuracies of 94%, 94%, 92%, 91%, 90%, 89%, and 89%, respectively. We employed the SHAP approach to identify the critical features associated with each issue type to enhance the explainability of the classifiers. This research sheds light on areas needing improvement in low-rated apps and opens up new avenues for developers to improve software quality based on user feedback.

Abstract Diabetic retinopathy (DR) significantly burdens ophthalmic healthcare due to its wide prevalence and high diagnostic costs. Especially in remote areas with limited medical access, undetected DR cases are on the rise. Our study introduces an advanced deep transfer learning-based system for real-time DR detection using fundus cameras to address this. This research aims to develop an efficient and timely assistance system for DR patients, empowering them to manage their health better. The proposed system leverages fundus imaging to collect retinal images, which are then transmitted to the processing unit for effective disease severity detection and classification. Comprehensive reports guide subsequent medical actions based on the identified stage. The proposed system achieves real-time DR detection by utilizing deep transfer learning algorithms, specifically VGGNet. The system’s performance is rigorously evaluated, comparing its classification accuracy to previous research outcomes. The experimental results demonstrate the robustness of the proposed system, achieving an impressive 97.6% classification accuracy during the detection phase, surpassing the performance of existing approaches. Implementing the automated system in remote areas has transformed healthcare dynamics, enabling early, cost-effective DR diagnosis for millions. The system also streamlines patient prioritization, facilitating timely interventions for early-stage DR cases.

App stores allow users to search, download, and purchase software applications to accomplish daily tasks. Also, they enable crowd-users to submit textual feedback or star ratings to the downloaded software apps based on their satisfaction. Recently, crowd-user feedback contains critical information for software developers, including new features, issues, non-functional requirements, etc. Previously, identifying software bugs in low-star software applications was ignored in the literature. For this purpose, we proposed a natural language processing-based (NLP) approach to recover frequently occurring software issues in the Amazon Software App (ASA) store. The proposed approach identified prevalent issues using NLP part-of-speech (POS) analytics. Also, to better understand the implications of these issues on end-user satisfaction, different machine learning (ML) algorithms are used to identify crowd-user emotions such as anger, fear, sadness, and disgust with the identified issues. To this end, we shortlisted 45 software apps with comparatively low ratings from the ASA Store. We investigated how crowd-users reported their grudges and opinions against the software applications using the grounded theory & content analysis approaches and prepared a grounded truth for the ML experiments. ML algorithms, such as MNB, LR, RF, MLP, KNN, AdaBoost, and Voting Classifier, are used to identify the associated emotions with each captured issue by processing the annotated end-user data set. We obtained satisfactory classification results, with MLP and RF classifiers having 82% and 80% average accuracies, respectively. Furthermore, the ROC curves for better-performing ML classifiers are plotted to identify the best-performing under or oversampling classifier to be selected as the final best classifier. Based on our knowledge, the proposed approach is considered the first step in identifying frequently occurring issues and corresponding end-user emotions for low-ranked software applications. The software vendors can utilize the proposed approach to improve the performance of low-ranked software apps by incorporating it into the software evolution process promptly.

Oral squamous cell carcinoma (OSCC) represents the most frequent of all oral neoplasms in the world. Genetics plays an important role in the etiopathogenesis of OSCC. However, the investigation of the molecular mechanism of OSCC is still incomplete. In this article, we introduced a new approach to detect OSCC-associated genes, in which we not only compare mean difference, but also variance difference between cases and controls. Based on two OSCC datasets from Gene Expression Omnibus, we identified 456 differentially variable (DV) gene probes, in addition to 2,375 differentially expressed (DE) gene probes. There are 2,193 DE-only probes, 274 DV-only probes, and 182 DE-and-DV probes. DAVID functional analysis showed that genes corresponding to DE-only, DV-only, and DE-and-DV probes were enriched in different KEGG pathways, indicating they play different roles in OSCC. This new approach can be used to investigate the genetic risk factors for other complex human diseases.