文献

J-GLOBAL ID：202002271446185992   整理番号：20A2731492

相対密度情報を持つファジィ重み付き極値学習機械に基づくソフトウェア欠陥予測【JST・京大機械翻訳】

Software Defect Prediction Based on Fuzzy Weighted Extreme Learning Machine with Relative Density Information

著者 (5件)： Zheng Shang (School of Computer, Jiangsu University of Science and Technology, Zhenjiang, China) ,  Gai Jinjing (School of Computer, Jiangsu University of Science and Technology, Zhenjiang, China) ,  Yu Hualong (School of Computer, Jiangsu University of Science and Technology, Zhenjiang, China) ,  Zou Haitao (School of Computer, Jiangsu University of Science and Technology, Zhenjiang, China) ,  Gao Shang (School of Computer, Jiangsu University of Science and Technology, Zhenjiang, China)
資料名： Scientific Programming  (Scientific Programming)
巻： 2020  ページ： Null  発行年： 2020年 
JST資料番号： W0689A  ISSN： 1058-9244  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 欠陥がある可能性が高いソフトウェアモジュールを同定するために,機械学習を用いてソフトウェア欠陥予測(SDP)モデルを構築した。しかし,いくつかの以前の研究は,ソフトウェア欠陥データの不均衡な性質がモデル性能を減少できることを発見した。本論文では,SDPの文脈における不均衡データ分布を改善する方法の問題を議論し,それは,より良い方法を見つける目的で,ソフトウェア欠陥予測に利益を得ることができる。最初に,相対密度を導入して,そのクラス内の各インスタンスの重要性を反映し,それは特徴空間におけるデータ分布のスケールに無関係であった。したがって,それは絶対距離情報よりロバストである。第二に,K最近傍ベースの確率密度推定(KNN-PDE)のような戦略を用いて,各訓練インスタンスの相対密度を計算した。さらに,サンプルのファジィメンバーシップを,ノイズと異常値サンプルから来る分類誤差を除去するために,相対密度に基づいて設計した。最後に,2つのアルゴリズムを提案して,加重極値学習機械に基づくソフトウェア欠陥予測モデルを訓練した。本論文は,ベンチマークデータセットに関する従来のSDP方式と提案したアルゴリズムを比較した。提案方法は,G平均,AUC,およびバランスを含む測度に関して,はるかに良い全体的性能を有することを証明した。提案アルゴリズムは,SDPデータ分布タイプに対してよりロバストで適応的であり,各インスタンスの有意性をより正確に推定することができ,データスケールの影響を考慮せずに,2つの異なるクラスに対して同一の全ファジィ係数を割当てることができる。Copyright 2020 Shang Zheng et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  雑音 ,  測度 ,  *学習機械 ,  確率密度 ,  *相対密度 ,  *ソフトウェア ,  異常値 ,  ベンチマーク ,  曖昧さ ,  ロバスト性 ,  機械学習
準シソーラス用語： 不均衡 ,  特徴空間 ,  *欠陥予測 , 【Automatic Indexing@JST】

分類 (1件)： 計算機システム開発  (JD02010R)

引用文献 (44件)：

• T. Hall, S. Beecham, D. Bowes, D. Gray, S. Counsell, "A systematic literature review on fault prediction performance in software engineering," IEEE Transactions on Software Engineering, vol. 38, no. 6, pp. 1276-1304, 2011.
• C. Catal, B. Diri, "Investigating the effect of dataset size, metrics sets, and feature selection techniques on software fault prediction problem," Information Sciences, vol. 179, no. 8, pp. 1040-1058, 2009.
• H. Zhang, X. Zhang, "Comments on “data mining static code attributes to learn defect predictors," IEEE Transactions on Software Engineering, vol. 33, no. 9, pp. 2-13, 2007.
• H. Yu, J. Ni, "An improved ensemble learning method for classifying high-dimensional and imbalanced biomedicine data," IEEE/ACM Transactions on Computational Biology and Bioinformatics, vol. 11, no. 4, pp. 657-666, 2014.
• H. Yu, C. Mu, C. Sun, W. Yang, X. Yang, X. Zuo, "Support vector machine-based optimized decision threshold adjustment strategy for classifying imbalanced data," Knowledge-Based Systems, vol. 76, no. 1, pp. 67-78, 2015.

タイトルに関連する用語 (6件)： 相対密度 ,  ファジィ ,  極値 ,  学習機械 ,  ソフトウェア ,  欠陥予測