文献

J-GLOBAL ID：202202279671045787   整理番号：22A0029231

適応合成サンプリングアルゴリズムによるアンサンブルランダムフォレストを用いたソフトウェア故障傾向クラスの予測【JST・京大機械翻訳】

Prediction of software fault-prone classes using ensemble random forest with adaptive synthetic sampling algorithm

著者 (2件)： Balaram A. (Department of CSE, JNTUA University, Anantapur, Andhra Pradesh, India) ,  Vasundra S. (Department of CSE, JNTUA University, Anantapur, Andhra Pradesh, India)
資料名： Automated Software Engineering  (Automated Software Engineering)
巻： 29  号： 1  ページ： 6  発行年： 2022年 
JST資料番号： W0889A  ISSN： 0928-8910  CODEN： ASOEEA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： ソフトウェアの故障モジュールを予測するプロセスはソフトウェア故障予測(SFP)として知られているが,これはソフトウェアの歴史的故障による事前定義メトリックに依存するソフトウェアバージョンを解放するのに重要である。開発サイクルの初期段階における部品,クラス,モジュールなどのソフトウェアの故障予測は,時間削減とコスト低減に大きく寄与するので重要である。したがって,各ステップを処理するために使用されるモジュールは,開発プロセス中の故障を除去する不必要な努力によって低減される。しかし,不均衡データセットの問題は,初期段階でのソフトウェア故障予測のためのSFPの間の重大な課題になる。SFPモデルのためのソフトウェア計量の包含,故障のコスト有効性,および故障密度予測のような限界は,まだ研究によって直面する障害である。提案したButterfly最適化は,機械学習技術の応用を開発することにより,細心で顕著な結果を予測するのに役立つ特徴選択を実行する。本研究は,提案方法セクションで言及された様々な分類器を用いて,故障予測のために適応合成サンプリング(E-RF-ADAMSYN)を有するアンサンブルランダムフォレストを使用する。提案したE-RF-ADAMSYNは,0.771の既存の方法Rough-KNN雑音-Filtered Easy Ensemble(RKEE)と比較して,0.854767の曲線下面積(AUC)を得た。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  雑音 ,  原価低減 ,  *故障 ,  特徴選択 ,  *ソフトウェア ,  *ソフトウェア障害 ,  有効性 ,  血中濃度-時間曲線下面積
準シソーラス用語： 開発プロセス ,  *ランダムフォレスト ,  ホップ数 ,  故障予知 ,  不均衡データ , 【Automatic Indexing@JST】

著者キーワード (5件)： 適応合成サンプリング ,  蝶の最適化 ,  アンサンブルランダムフォレスト ,  不均衡データ ,  ソフトウェア故障予測

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 (9件)： 適応 ,  サンプリング ,  アルゴリズム ,  アンサンブル ,  ランダムフォレスト ,  ソフトウェア故障 ,  傾向 ,  クラス ,  予測