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。
背景:ソフトウェア検査は,故障の存在を報告するレビューをもたらす。必要条件は,再検討を通して手動で読み出し,真の故障と偽陽性の間を区別しなければならない。問題:検査後決定(故障または非故障)は困難で時間がかかる。クラス不均衡問題のために機械学習(ML)技術を直接生(非構造化)データに使用することは困難であり,故障の誤分類を通して可能な故障ずれがある。目的:本研究の目的は,この問題をアンサンブルアプローチと優先分析の助けを借りて解決し,いかなるリストされた故障も失うことなく,信頼性のある故障と偽陽性のレビューを決定することにおける有意な精度を達成することである。方法:クラス不均衡問題を扱うために,2つの訓練モデル(検査ドメイン対映画ドメインからのレビュー)を用いて経験的実験を行った。このアプローチは,検査レビューの分類信頼性を開発し,それらを適切な優先クラスに割り当てるためにアンサンブル法を用いる。結果:結果は,映画訓練されたモデルが,訓練された検査より良好に機能し,可能な断層すべりを制限することを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】