La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Cost-Sensitive and Sparse Ladder Network for Software Defect Prediction Réseau à échelle économique et clairsemé pour la prévision des défauts logiciels

Jing SUN, Yi-mu JI, Shangdong LIU, Fei WU

  • Vues en texte intégral

    0

  • Citer

Résumé:

La prédiction des défauts logiciels (SDP) joue un rôle essentiel dans l’allocation raisonnable des ressources de test et dans la garantie de la qualité des logiciels. Lorsqu'il n'y a pas suffisamment de modules historiques étiquetés, de nombreuses méthodes SDP semi-supervisées ont été proposées, et ces méthodes utilisent simultanément des modules étiquetés limités et de nombreux modules non étiquetés. Néanmoins, la plupart d’entre eux utilisent des fonctionnalités traditionnelles plutôt que les puissantes représentations de fonctionnalités profondes. En outre, le coût d'une mauvaise classification des modules défectueux est plus élevé que celui des modules sans défaut, et le nombre de modules défectueux pour la formation est faible. En tenant compte des problèmes ci-dessus, nous proposons un réseau à échelles clairsemé et sensible aux coûts (CSLN) pour SDP. Nous introduisons d’abord le réseau en échelle semi-supervisé pour extraire les représentations de fonctionnalités profondes. En outre, nous introduisons l'apprentissage sensible aux coûts pour définir différents coûts de classification erronée pour les instances sujettes aux défauts et celles sujettes aux défauts afin d'atténuer le problème de déséquilibre des classes. Une contrainte clairsemée est ajoutée sur les nœuds cachés dans le réseau à relais lorsque le nombre de nœuds cachés est grand, ce qui permet au modèle de trouver des structures robustes des données. Des expériences approfondies sur l'ensemble de données AEEEM montrent que le CSLN surpasse plusieurs méthodes SDP semi-supervisées de pointe.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.5 pp.1177-1180
Date de publication
2020/05/01
Publicisé
2020/01/29
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2019EDL8198
Type de manuscrit
LETTER
Catégories
Génie logiciel

Auteurs

Jing SUN
  Nanjing University of Posts and Telecommunications (NJUPT)
Yi-mu JI
  Nanjing University of Posts and Telecommunications (NJUPT)
Shangdong LIU
  Nanjing University of Posts and Telecommunications (NJUPT)
Fei WU
  NJUPT

Mots-clés

Table des matières