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

Cross-Project Defect Prediction via Semi-Supervised Discriminative Feature Learning Prédiction des défauts entre projets via l'apprentissage de fonctionnalités discriminantes semi-supervisées

Danlei XING, Fei WU, Ying SUN, Xiao-Yuan JING

  • Vues en texte intégral

    0

  • Citer

Résumé:

La prédiction des défauts inter-projets (CPDP) est une solution réalisable pour créer un modèle de prédiction précis sans suffisamment de données historiques. Bien que les méthodes existantes pour le CPDP qui utilisent uniquement des données étiquetées pour construire le modèle de prédiction obtiennent d'excellents résultats, il reste encore beaucoup à faire pour améliorer les performances de prédiction. Dans cet article, nous proposons une approche d'apprentissage semi-supervisé des caractéristiques discriminantes (SSDFL) pour le CPDP. SSDFL transfère d'abord les connaissances sur les données source et cible dans l'espace commun en utilisant un réseau neuronal entièrement connecté pour exploiter les similitudes potentielles entre les données source et cible. Ensuite, nous réduisons les différences de distributions marginales et de distributions conditionnelles entre les données source et cible cartographiées. Nous introduisons également la caractéristique discriminante d'apprentissage pour utiliser pleinement les informations d'étiquette, c'est-à-dire que les instances de la même classe sont proches les unes des autres et que les instances de différentes classes sont éloignées les unes des autres. Des expériences approfondies sont menées sur 10 projets issus des ensembles de données de l'AEEEM et de la NASA, et les résultats expérimentaux indiquent que notre approche obtient de meilleures performances de prédiction que les lignes de base.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.10 pp.2237-2240
Date de publication
2020/10/01
Publicisé
2020/07/07
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2020EDL8044
Type de manuscrit
LETTER
Catégories
Génie logiciel

Auteurs

Danlei XING
  Nanjing University of Posts and Telecommunications
Fei WU
  Nanjing University of Posts and Telecommunications
Ying SUN
  Nanjing University of Posts and Telecommunications
Xiao-Yuan JING
  Nanjing University of Posts and Telecommunications

Mots-clés

Table des matières