文献

J-GLOBAL ID：201802249094581821   整理番号：18A0201553

アンサンブルは改善されたソフトウェア故障予測のための結合学習に基づく比較研究【Powered by NICT】

Ensembles based combined learning for improved software fault prediction: A comparative study

著者 (4件)： Yohannese Chubato Wondaferaw (School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756, China) ,  Li Tianrui (School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756, China) ,  Simfukwe Macmillan (School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756, China) ,  Khurshid Faisal (School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ISKE  ページ： 1-6  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ソフトウェア故障予測(SFP)研究は貴重なソフトウエアのテスト資源を最大化し,メンテナンスコストを低減し,時間上のソフトウェア製品を供給するために役立ち,顧客,最終的に品質ソフトウェア製品を生産に寄与することを満たすためにソフトウェアモジュールの故障傾向を正確に予測するために膨大な努力としている。これに関連して,機械学習(ML)はSFPの分類問題を解くために適用することに成功した。さらに,MLから,アンサンブル学習アルゴリズム(ELA)は,単一学習アルゴリズムの性能を改善することが知られていることが観察された。しかし,ELA単独のどちらもソフトウェア欠陥データセットにおける冗長と無関係な特徴とクラス不均衡問題により生成された課題を扱う。,本論文の目的は,独立して顕著なELAを調べ,比較することであるとソフトウェアモジュールの故障傾向をより良く予測するためより効率的なELAを同定するための特徴選択(FS)とデータバランシング(DB)技術と組み合わせたそれらの性能を改善する。結合形成において,それら課題を効率的に処理できること新しいフレームワークを提案した。実験結果は,提案したフレームワークは,組合せ技術のロバスト性を示したことを確認した。特に選択された特徴に関するDBを組み合わせたバギングELAを用いた場合のフレームワークは,高い性能を持っている。,本研究で示されたように,ロバストな性能を得るために,SFPの使用アンサンブル技法を注意深く調べと組み合わせた両FSとDBでなければならない。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *ソフトウェア障害 ,  機械学習 ,  特徴選択 ,  *故障 ,  学習アルゴリズム ,  *予測 ,  ソフトウェア商品 ,  *学習 ,  ロバスト性 ,  *ソフトウェア ,  品質 ,  保全費 ,  冗長性
準シソーラス用語： クラス不均衡 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： アンサンブル ,  ソフトウェア ,  故障予測 ,  学習 ,  研究