文献

J-GLOBAL ID：202202281955127237   整理番号：22A0930356

改良ソフトウェアバグ検出モデルのための特徴変換【JST・京大機械翻訳】

Feature Transformation for Improved Software Bug Detection Models

著者 (3件)： Cynthia Shamse Tasnim (University of Saskatchewan, Canada) ,  Roy Banani (University of Saskatchewan, Canada) ,  Mondal Debajyoti (University of Saskatchewan, Canada)
資料名： ACM Proceedings  (ACM Proceedings)
号： ISEC 2022  ページ： 1-10  発行年： 2022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： 試験ソフトウェアは,ソフトウェア開発ライフサイクルにおける最も重要なフェーズの一つであると考えられている。ソフトウェアバグ固定はかなりの量の時間と努力を必要とする。最近の研究の豊富な物体は,機械学習ベースの技術を用いて,ソフトウェアアーチファクトにおけるバグを予測する方法を調査した。信頼できて信頼できる予測のために,そのような機械学習モデルの説明可能性の側面も考慮することが重要である。本論文では,特徴変換技法が,予測精度を著しく向上させ,バグ予測モデルにおける信頼性を構築する方法を示した。著者らは,最初に特徴を抽出して,次に,低次元空間でプロットするとき,非バッグからバグを最良に分離する遺伝的アルゴリズムを用いて,これらの特徴の重みづけ変換を見つけて,最後に,変換データセットを用いて機械学習モデルを訓練する遺伝的アルゴリズムを用いて,これらの特徴の重みづけ変換を発見した。実生活のバグデータセットを用いた実験では,特徴変換を利用するランダムフォレストとk最近傍分類器モデルは,元のデータで構築したモデルと比較して,平均8以上のソフトウェアシステムの平均で再現値の4.25%の改善を示した。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： 信頼性 ,  ライフサイクル ,  特性 ,  *モデル ,  *ソフトウェア ,  *ソフトウェア障害 ,  重みづけ ,  ソフトウェア開発 ,  アーチファクト ,  機械学習 ,  遺伝的アルゴリズム ,  予測モデル
準シソーラス用語： 予測精度 ,  ランダムフォレスト ,  ソフトウェアシステム , 【Automatic Indexing@JST】

著者キーワード (4件)： 遺伝的アルゴリズム ,  機械学習 ,  ソフトウェアバッグ ,  t-SNE

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 (2件)： モデル ,  特徴変換