文献

J-GLOBAL ID：202202233929470476   整理番号：22A0848050

クロストリプレット深層特徴埋込みによるモバイルアプリケーションに対する努力を意識したジャストインタイムバグ予測【JST・京大機械翻訳】

Effort-Aware Just-in-Time Bug Prediction for Mobile Apps Via Cross-Triplet Deep Feature Embedding

著者 (8件)： Xu Zhou (Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education, China, and School of Big Data and Software Engineering, Chongqing University, Chongqing, China) ,  Zhao Kunsong (School of Computer Science, Wuhan University, Wuhan, China) ,  Zhang Tao (Faculty of Information Technology, Macau University of Science and Technology, Macau, China) ,  Fu Chunlei (Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education, China, and School of Big Data and Software Engineering, Chongqing University, Chongqing, China) ,  Yan Meng (Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education, China, and School of Big Data and Software Engineering, Chongqing University, Chongqing, China) ,  Xie Zhiwen (School of Computer Science, Wuhan University, Wuhan, China) ,  Zhang Xiaohong (Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education, China, and School of Big Data and Software Engineering, Chongqing University, Chongqing, China) ,  Catolino Gemma (Jheronimus Academy of Data Science, Tilburg University, Tilburg, The Netherlands)
資料名： IEEE Transactions on Reliability  (IEEE Transactions on Reliability)
巻： 71  号： 1  ページ： 204-220  発行年： 2022年 
JST資料番号： C0448A  ISSN： 0018-9529  CODEN： IERQAD  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： ジャストインタイム(JIT)バグ予測は,コードコンミットがモバイルアプリにバグを導入するかどうかを識別する効果的な品質保証活動であり,優先レビューのための実務者への迅速なフィードバックの提供を目指している。十分なラベル付けされたバグデータの収集は,いくつかのモバイルアプリケーションに対して常に実行可能ではないので,1つの可能なアプローチが,クロスアップモデルを活用することである。本研究では,クロスアップJITバグ予測タスクに対して,CDFEと呼ばれる新しいクロストリプレット深層特徴埋込み法を提案した。CDFE法は,交差-appデータに対する高レベル特徴表現を学習するために,最先端のクロストリプレット損失関数を深層ニューラルネットワークに組み入れる。この損失関数は,クロスアップ特徴学習タスクに適応し,同じラベルでコミットインスタンスの距離を短くし,異なるラベルを持つコミットインスタンスの距離を拡大するために,新しい特徴空間を学習することを目的とする。さらに,この損失関数は,クロス・アバグデータの不一致を狭めるために,イントラ・インスタンスペアによるそれよりも,クロス・アプリインスタンス対による損失に対して,より高い重みを割当てる。2つの努力意識指標を持つ19のモバイルアプリからベンチマークバグデータセット上のCDFE法を評価した。342の交差-appペアに関する実験結果は,著者らの提案したCDFE方法が14のベースライン方法よりよく機能することを示した。Copyright 2022 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： 学習 ,  損失関数 ,  データ ,  品質保証 ,  *応用プログラム ,  モデル ,  *ソフトウェア障害 ,  深層 ,  *かんばん方式 ,  埋込み【挿入】 ,  *携帯電話
準シソーラス用語： 特徴空間 ,  *モバイルアプリケーション ,  特徴表現 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： トリプレット ,  深層 ,  埋込み ,  モバイルアプリケーション ,  意識 ,  予測