論文の概要: Machine Learning Techniques for Software Quality Assurance: A Survey
- arxiv url: http://arxiv.org/abs/2104.14056v1
- Date: Thu, 29 Apr 2021 00:37:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-30 12:53:21.581919
- Title: Machine Learning Techniques for Software Quality Assurance: A Survey
- Title(参考訳): ソフトウェア品質保証のための機械学習技術:調査
- Authors: Safa Omri and Carsten Sinz
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.33024001730262
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Over the last years, machine learning techniques have been applied to more
and more application domains, including software engineering and, especially,
software quality assurance. Important application domains have been, e.g.,
software defect prediction or test case selection and prioritization. The
ability to predict which components in a large software system are most likely
to contain the largest numbers of faults in the next release helps to better
manage projects, including early estimation of possible release delays, and
affordably guide corrective actions to improve the quality of the software.
However, developing robust fault prediction models is a challenging task and
many techniques have been proposed in the literature. Closely related to
estimating defect-prone parts of a software system is the question of how to
select and prioritize test cases, and indeed test case prioritization has been
extensively researched as a means for reducing the time taken to discover
regressions in software. In this survey, we discuss various approaches in both
fault prediction and test case prioritization, also explaining how in recent
studies deep learning algorithms for fault prediction help to bridge the gap
between programs' semantics and fault prediction features. We also review
recently proposed machine learning methods for test case prioritization (TCP),
and their ability to reduce the cost of regression testing without negatively
affecting fault detection capabilities.
- Abstract(参考訳): 過去数年間、ソフトウェアエンジニアリング、特にソフトウェア品質保証を含む、より多くのアプリケーションドメインに機械学習技術が適用されてきた。
重要なアプリケーションドメインは、例えばソフトウェア欠陥予測やテストケースの選択と優先順位付けなどである。
大規模なソフトウェアシステムのどのコンポーネントが次のリリースで最大の障害を含んでいるかを予測する能力は、リリース遅延の早期推定や、ソフトウェアの品質を改善するための修正アクションのガイドなど、プロジェクトの管理に役立ちます。
しかし,頑健な故障予測モデルの開発は困難な課題であり,多くの手法が文献に提案されている。
ソフトウェアシステムの欠陥が発生しやすい部分の見積もりと密接な関係は、テストケースの選択と優先順位付けの方法の問題であり、実際にテストケースの優先順位付けは、ソフトウェアの回帰を見つけるのに要する時間を減らす手段として広く研究されてきた。
本稿では,障害予測とテストケース優先順位付けの両面での様々なアプローチについて論じるとともに,近年の深層学習アルゴリズムが,プログラムのセマンティクスと障害予測機能のギャップを埋めるのにどのように役立つかを説明する。
また、最近提案したテストケース優先化(TCP)の機械学習手法と、障害検出機能に悪影響を及ぼすことなく回帰テストのコストを削減できる機能についても検討した。
関連論文リスト
- Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。
この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。
本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
論文 参考訳(メタデータ) (2024-03-12T08:40:21Z) - 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) - Demonstration of a Response Time Based Remaining Useful Life (RUL)
Prediction for Software Systems [0.966840768820136]
Prognostic and Health Management (PHM) は、エレクトロニクス分野や非エレクトロニクス分野のハードウェアシステムに広く応用されている。
本稿では,故障予測とRUL推定のためのソフトウェアシステムへのPHMの概念の適用について述べる。
論文 参考訳(メタデータ) (2023-07-23T06:06:38Z) - Explainable Software Defect Prediction from Cross Company Project
Metrics Using Machine Learning [5.829545587965401]
本研究では,様々な機械学習アルゴリズムを適用した欠陥予測モデルの開発に焦点をあてる。
既存の欠陥予測研究で注目すべき問題は、開発モデルにおける透明性の欠如である。
論文 参考訳(メタデータ) (2023-06-14T17:46:08Z) - 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) - 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) - Investigating the Use of One-Class Support Vector Machine for Software
Defect Prediction [8.066214414156562]
一つのクラスからのみ学習することが、効果的な欠陥予測モデルを生成するのに十分かどうかを検討する。
その結果,OCSVMはプロジェクト内欠陥予測よりもクロスバージョンやクロスプロジェクトに適していることがわかった。
論文 参考訳(メタデータ) (2022-02-24T12:57:14Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳(メタデータ) (2022-02-21T13:18:11Z) - Learning Predictions for Algorithms with Predictions [49.341241064279714]
予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。
オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。
両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2022-02-18T17:25:43Z) - Distribution-Free, Risk-Controlling Prediction Sets [112.9186453405701]
ユーザ特定レベルにおける将来のテストポイントにおける期待損失を制御するブラックボックス予測器から設定値予測を生成する方法を示す。
提案手法は,予測セットのサイズをキャリブレーションするホールドアウトセットを用いて,任意のデータセットに対して明確な有限サンプル保証を提供する。
論文 参考訳(メタデータ) (2021-01-07T18:59:33Z) - A Review On Software Defects Prediction Methods [0.0]
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。
論文 参考訳(メタデータ) (2020-10-30T16:10:23Z)
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。