文献

J-GLOBAL ID：201902283014798646   整理番号：19A0517844

RBF-MLMR:RBFニューラルネットワークを用いたマルチラベル変成関係予測手法【JST・京大機械翻訳】

RBF-MLMR: A Multi-Label Metamorphic Relation Prediction Approach Using RBF Neural Network

著者 (4件)： Zhang Pengcheng (College of Computer and Information, Hohai University, Nanjing, China) ,  Zhou Xuewu (College of Computer and Information, Hohai University, Nanjing, China) ,  Pelliccione Patrizio (Department of Computer Science and Engineering, Chalmers University of Technology, Goeteborg, Sweden) ,  Leung Hareton (Department of Computing, Hong Kong Polytechnic University, HongKong)
資料名： IEEE Access  (IEEE Access)
巻： 5  ページ： 21791-21805  発行年： 2017年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 変成試験は,試験オラクル問題を解決するために多くの異なる分野で成功裏に使用されてきた。しかし,変成試験のための適切な変成関係のセットを見つける方法は,複雑で面倒な作業である。最近,いくつかの機械学習アプローチが,変成関係を予測するために提案されている。単一ラベル変成関係を予測するこれらのアプローチは,この問題をある程度軽減することができる。しかし,多くの応用には多グループの変成関係が含まれており,これらのアプローチは明らかに非効率的である。この問題に対処するために,本論文では,RBF-MLMRと呼ばれる改良動径基底関数(RBF)ニューラルネットワークに基づくマルチラベルメタモルフィック関係予測手法を提案した。最初に,RBF-MLMRは,制御フローグラフを生成するために最先端の煤解析ツールを使用し,プログラムのソースコードからラベルを対応させる。第二に,抽出されたノードと経路特性は,制御フローグラフのためのマルチラベルデータセットを構成する。最後に,マルチラベルRBFニューラルネットワーク予測モデルを確立して,このプログラムが多重変成関係を満たすかどうかを予測した。予測結果を改善するために,親和性伝搬とk-平均クラスタリングアルゴリズムを用いてRBF-MLMRのRBFニューラルネットワーク構造を最適化した。RBF-MLMRを検証するために,公共プログラムに基づく一連の専用実験を行った。実験結果は,RBF-MLMRが2つと3つの変成関係を予測するために約80%の精度を達成できることを示した。Copyright 2019 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： *予測 ,  動径基底関数 ,  親和性 ,  多重化 ,  グラフ ,  予測モデル ,  *変成作用 ,  *予測技法 ,  最適化 ,  機械学習 ,  煤 ,  *ニューラルネットワーク
準シソーラス用語： クラスタリングアルゴリズム ,  *動径基底関数ニューラルネットワーク ,  ソースコード , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： RbF ,  RBFニューラルネットワーク ,  マルチ ,  ラベル ,  変成 ,  予測手法