文献

J-GLOBAL ID：202102254672168966   整理番号：21A1038058

説明可能な機械学習によるソフトウェア欠陥の予測【JST・京大機械翻訳】

Predicting Software Defects with Explainable Machine Learning

著者 (5件)： Santos Geanderson (Federal University of Minas Gerais, Brazil) ,  Figueiredo Eduardo (Federal University of Minas Gerais, Brazil) ,  Veloso Adriano (Federal University of Minas Gerais, Brazil) ,  Viggiato Markos (University of Alberta, Canada) ,  Ziviani Nivio (Federal University of Minas Gerais, Brazil)
資料名： ACM Proceedings  (ACM Proceedings)
号： SBQS’20  ページ： 1-10  発行年： 2020年 
JST資料番号： D0698C  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： ほとんどのソフトウェアシステムは利害関係者の要件に対処し,既存の欠陥を固定するために進化しなければならない。したがって,ソフトウェア欠陥予測は学界とソフトウェア産業の両方における関心領域を表す。結果として,ソフトウェア欠陥の予測は,ソフトウェア品質の実質的なレベルを維持するための開発チームを助けることができる。この理由で,機械学習モデルはソフトウェア欠陥予測の人気で増加し,多くのシナリオで有効性を実証した。本論文では,ソフトウェアモジュール欠陥を予測するための特徴を選択するための機械学習手法を評価した。入力として受信するツリーブースティングアルゴリズムを使用し,各モジュールの特徴符号化のソフトウェア特徴の記録と,対応するモジュールが欠陥のある傾向があるかどうかを出力する。広く知られているNASAデータプログラム内の9つのプロジェクトに対して,著者らは,一連の簡単なモジュール特徴から予測モデルを構築した。次に,各モデルを構成するためにソフトウェア特徴をランダムに選択することにより,この可聴モデル空間をサンプリングした。この重要な数のモデルは,モデル理解性と予測精度に沿って我々の研究を構造することを可能にする。モデル予測の説明は,各モジュール欠陥傾向に関連する特徴に関する開発者への情報を提供する意味があると主張する。(i)最良のモデルを見つけるのに最も寄与する特徴は,プロジェクトに依存して変化する可能性があり,(ii)有効モデルは40人の開発者による調査に基づいて高度に理解できる。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 米国航空宇宙局 ,  *ソフトウェア ,  有効性 ,  *機械学習 ,  予測モデル
準シソーラス用語： 利害関係者 ,  予測精度 ,  ソフトウェア産業 ,  ソフトウェア品質 ,  関心領域 ,  ブースティングアルゴリズム ,  モデル予測 ,  欠陥予測 , 【Automatic Indexing@JST】

著者キーワード (4件)： NASAデータセット ,  SHAP値 ,  説明可能モデル ,  ソフトウェア欠陥

分類 (2件)： 計算機システム開発  (JD02010R) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 説明 ,  機械学習 ,  ソフトウェア ,  欠陥 ,  予測