文献

J-GLOBAL ID：202202291524344299   整理番号：22A0806465

機械学習技術に基づく特徴位置アプローチのためのソフトウェアモデル符号化の強化【JST・京大機械翻訳】

Enhancing software model encoding for feature location approaches based on machine learning techniques

著者 (5件)： Marcen Ana C. (SVIT Research Group, Universidad San Jorge, Zaragoza, Spain) ,  Marcen Ana C. (Centro de Investigacion en Metodos de Produccion de Software, Universitat Politecnica de Valencia, Valencia, Spain) ,  Perez Francisca (SVIT Research Group, Universidad San Jorge, Zaragoza, Spain) ,  Pastor Oscar (Centro de Investigacion en Metodos de Produccion de Software, Universitat Politecnica de Valencia, Valencia, Spain) ,  Cetina Carlos (SVIT Research Group, Universidad San Jorge, Zaragoza, Spain)
資料名： Software and Systems Modeling  (Software and Systems Modeling)
巻： 21  号： 1  ページ： 399-433  発行年： 2022年 
JST資料番号： A1112A  ISSN： 1619-1366  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： 特徴位置は,ソフトウェア進化の間に実行される主な活動の1つである。著者らの以前の研究で,機械学習に基づくモデルにおける特徴位置のためのアプローチを提案し,機械学習技術が,モデルにおける特徴位置のための他の検索技術より良い結果を得ることができるという証拠を提供した。しかしながら,機械学習技法を最適に適用するためには,符号化の設計は,特徴の最良の実現を同定できるために不可欠である。本研究では,機械学習に基づく特徴位置アプローチのためのソフトウェアモデル符号化に関するより詳細な研究を提示した。本研究の一部として,2つの新しいソフトウェアモデル符号化を提供し,それらをソース符号化と比較した。最初の提案符号化は,ソース符号化の拡張であり,ドメインの主な概念と関係だけでなく,これらの概念と関係の特性も利用する。第2の提案符号化は,LearningのRankへの研究に対するベンチマークデータセットで使用される特性によって触発された。その後,新しい符号化を用いて,3つの異なる機械学習技術(RankBoost,フィードフォワードニューラルネットワーク,およびReカレントニューラルネットワーク)を比較した。また,本研究は,本研究で提案されたもののようなドメインに依存しない符号化が,人間の経験とドメイン知識を利用するために特別に設計された符号化を凌ぐことができるかどうかを考察する。さらに,最良符号化と最良機械学習技法の結果を,特徴位置ならびにトレーサビリティリンク回復とバグ位置確認のために広く適用されている2つの伝統的手法と比較した。評価は,2つの実世界事例研究,1つは鉄道領域,もう1つは誘導hobドメインに基づいている。モデルにおける特徴位置に対するアプローチは,異なる符号化と機械学習技法によるこれらの事例研究を評価する。結果は,第2の提案した符号化とRankBoostを使用するとき,方式が他の符号化と機械学習技術と従来のアプローチの結果より優れていることを示した。特に,この手法は,すべての性能指標に対して最良の結果を達成し,90.11%の平均精度値,86.20%の再現値,87.22%のF測度値,および0.87のMCC値を提供した。結果の統計解析は,この方式が結果を著しく改善し,改善の大きさを増加させることを示した。本研究の有望な結果は,トレーサビリティまたはバグ位置のようなソフトウェアモデルによる他の工学タスクにおける機械学習技術の使用に向けた出発点として役立つ。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, 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： 測度 ,  *符号化 ,  *学習 ,  特性 ,  ニューラルネットワーク ,  位置決め ,  *ソフトウェア ,  トレーサビリティ ,  事例研究 ,  ソフトウェア障害 ,  ベンチマーク ,  *機械学習 ,  ドメイン知識
準シソーラス用語： フィードフォワードニューラルネットワーク ,  *機械学習技術 , 【Automatic Indexing@JST】

著者キーワード (6件)： ソフトウェアモデル ,  特徴位置 ,  機械学習 ,  ランクへの学習 ,  ニューラルネットワーク ,  符号化

分類 (2件)： 人工知能  (JE08000Z) ,  CAI  (JE09000G)

タイトルに関連する用語 (5件)： 機械学習技術 ,  ソフトウェア ,  モデル ,  符号化 ,  強化