文献

J-GLOBAL ID：201802250048171483   整理番号：18A1028017

知識移転ソフトウェア故障学習【JST・京大機械翻訳】

Knowledge transfer software fault learning

著者 (1件)： Singh Pradeep (Department of Computer Sc & Engineering, National Institute of Technology, Raipur)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICICI  ページ： 1109-1114  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： ソフトウェア欠陥の予測とバグ数の予測に関する大量の研究が行われている。ほとんどのアプローチは,同じプロジェクトに関連するデータの訓練と試験に基づいている。しかし,訓練のためのプロジェクトの十分なデータはないかもしれない。交差プロジェクト予測は,特定のプロジェクトにおける欠陥を予測するために,他のプロジェクトからのデータを利用する。本研究では,交差領域プロジェクト予測のためのモデルを提案した。訓練データを1つの領域に関するプロジェクトから取り入れて,他のドメインソフトウェアプロジェクトの故障の予測を実行した。他のドメイン知識から学習するために,ソースプロジェクトデータのバランスを用いた。ソースプロジェクトの平衡データを用いて,ハイパーパラメータ同調を適用したランダムフォレスト分類器を訓練した。この手法の利点を調べるために,PROMISEリポジトリからの9つのプロジェクトデータセットに関する実験を行った。さらに,著者らのアプローチを最近提案された交差プロジェクト予測:Hydraモデルと比較した。結果は,HYDRA上のいくつかのプロジェクトに対して,提案したモデルによって得られた良好なf測度値を示した。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】

シソーラス用語： プロジェクト ,  予測 ,  同調 ,  モデル ,  *ソフトウェア ,  リポジトリ ,  *学習 ,  *ソフトウェア障害 ,  ドメイン知識 ,  測度
準シソーラス用語： ランダムフォレスト ,  ハイパーパラメータ ,  訓練データ ,  *知識移転 , 【Automatic Indexing@JST】

分類 (1件)： 計算機システム開発  (JD02010R)

タイトルに関連する用語 (3件)： 知識移転 ,  ソフトウェア故障 ,  学習