論文の概要: A Review On Software Defects Prediction Methods
- arxiv url: http://arxiv.org/abs/2011.00998v2
- Date: Tue, 17 Nov 2020 17:20:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 17:28:22.684725
- Title: A Review On Software Defects Prediction Methods
- Title(参考訳): ソフトウェア欠陥予測手法に関するレビュー
- Authors: Mitt Shah and Nandit Pujara
- Abstract要約: ソフトウェア欠陥分類のための機械学習アルゴリズムの性能解析を行う。
私たちはこの研究のためにNASAのpromiseデータセットリポジトリから7つのデータセットを使用しました。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Software quality is one of the essential aspects of a software. With
increasing demand, software designs are becoming more complex, increasing the
probability of software defects. Testers improve the quality of software by
fixing defects. Hence the analysis of defects significantly improves software
quality. The complexity of software also results in a higher number of defects,
and thus manual detection can become a very time-consuming process. This gave
researchers incentives to develop techniques for automatic software defects
detection. In this paper, we try to analyze the state of the art machine
learning algorithms' performance for software defect classification. We used
seven datasets from the NASA promise dataset repository for this research work.
The performance of Neural Networks and Gradient Boosting classifier dominated
other algorithms.
- Abstract(参考訳): ソフトウェアの品質は、ソフトウェアの本質的な側面の1つです。
需要が高まるにつれて、ソフトウェア設計はより複雑になり、ソフトウェア欠陥の確率が高まる。
テスターは欠陥を修正することでソフトウェアの品質を改善する。
したがって、欠陥の分析はソフトウェアの品質を著しく改善する。
ソフトウェアの複雑さは、欠陥の数も増加し、手作業による検出は非常に時間がかかります。
これにより、研究者は自動ソフトウェア欠陥検出技術を開発するインセンティブを得た。
本稿では,ソフトウェア欠陥分類におけるart機械学習アルゴリズムの性能を解析する。
この研究にはnasa promiseデータセットリポジトリから7つのデータセットを使用しました。
ニューラルネットワークと勾配ブースティング分類器の性能は他のアルゴリズムを支配した。
関連論文リスト
- Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳(メタデータ) (2024-11-01T14:27:16Z) - Automated flakiness detection in quantum software bug reports [5.592360872268223]
量子ソフトウェアのバグレポートにおいて、フレキなテストの自動検出の課題と潜在的な解決策を概説する。
我々は、量子ソフトウェアにおけるフレキネスの認識を高め、この新たな課題を解決するために、ソフトウェアエンジニアリングコミュニティが協力して働くことを奨励することを目的としています。
論文 参考訳(メタデータ) (2024-08-09T20:42:20Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳(メタデータ) (2024-06-24T15:45:22Z) - Efficacy of static analysis tools for software defect detection on open-source projects [0.0]
この調査では、SonarQube、PMD、Checkstyle、FindBugsといった一般的な分析ツールを使って比較を行った。
その結果,SonarQubeの欠陥検出は,他のツールと比較してかなり優れていることがわかった。
論文 参考訳(メタデータ) (2024-05-20T19:05:32Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳(メタデータ) (2023-08-10T13:19:10Z) - Applying Machine Learning Analysis for Software Quality Test [0.0]
メンテナンスのトリガーと予測されるかどうかを理解することは重要です。
生成したプログラムの複雑さを評価する多くの手法は有用な予測モデルを生成する。
本稿では,機械学習を利用可能なデータに適用し,累積ソフトウェア故障レベルを算出する。
論文 参考訳(メタデータ) (2023-05-16T06:10:54Z) - Genetic Micro-Programs for Automated Software Testing with Large Path
Coverage [0.0]
既存のソフトウェアテスト技術は、検索アルゴリズムを利用して、高い実行パスカバレッジを実現する入力値を見つけることに重点を置いている。
本稿では、進化したソリューションが入力値ではなく、繰り返し入力値を生成するマイクロプログラムである新しい遺伝的プログラミングフレームワークの概要を述べる。
我々のアプローチは多くの異なるソフトウェアシステムに適用できるような一般化が可能であり、そのため、トレーニングされた特定のソフトウェアコンポーネントのみに特化していない、と我々は主張する。
論文 参考訳(メタデータ) (2023-02-14T18:47:21Z) - SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video
Games Using Risk Based Testing and Machine Learning [62.997667081978825]
従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。
自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。
この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
論文 参考訳(メタデータ) (2022-03-10T00:47:46Z) - Machine Learning Techniques for Software Quality Assurance: A Survey [5.33024001730262]
我々は,障害予測とテストケース優先順位付けの両方における様々なアプローチについて考察する。
近年,障害予測のためのディープラーニングアルゴリズムは,プログラムのセマンティクスと障害予測機能とのギャップを埋めるのに役立つ。
論文 参考訳(メタデータ) (2021-04-29T00:37:27Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳(メタデータ) (2020-05-27T11:56:56Z) - Graph-based, Self-Supervised Program Repair from Diagnostic Feedback [108.48853808418725]
本稿では,ソースコードの修復や診断フィードバックに関連するシンボルを結合するプログラムフィードバックグラフを提案する。
次に、推論プロセスのモデル化にグラフニューラルネットワークを適用します。
オンラインで利用可能なラベルのないプログラムを活用するプログラム修復のための自己指導型学習パラダイムを提案する。
論文 参考訳(メタデータ) (2020-05-20T07:24:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。