論文の概要: HEDP: A Method for Early Forecasting Software Defects based on Human Error Mechanisms

• arxiv url: http://arxiv.org/abs/2110.06758v1
• Date: Wed, 13 Oct 2021 14:44:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 15:40:36.860650
• Title: HEDP: A Method for Early Forecasting Software Defects based on Human Error Mechanisms
• Title（参考訳）: HEDP:ヒューマンエラーメカニズムに基づくソフトウェア欠陥の早期予測手法
• Authors: Fuqun Huang and Lorenzo Strigini
• Abstract要約: ソフトウェア欠陥の背後にある主なプロセスは、エラーを起こしやすいシナリオがヒューマンエラーモードを引き起こすことである。 提案されたアイデアは、潜在的な欠陥の正確な位置と形を予測することを強調する。
• 参考スコア（独自算出の注目度）: 1.0660480034605238
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As the primary cause of software defects, human error is the key to understanding, and perhaps to predicting and avoiding them. Little research has been done to predict defects on the basis of the cognitive errors that cause them. This paper proposes an approach to predicting software defects through knowledge about the cognitive mechanisms of human errors. Our theory is that the main process behind a software defect is that an error-prone scenario triggers human error modes, which psychologists have observed to recur across diverse activities. Software defects can then be predicted by identifying such scenarios, guided by this knowledge of typical error modes. The proposed idea emphasizes predicting the exact location and form of a possible defect. We conducted two case studies to demonstrate and validate this approach, with 55 programmers in a programming competition and 5 analysts serving as the users of the approach. We found it impressive that the approach was able to predict, at the requirement phase, the exact locations and forms of 7 out of the 22 (31.8%) specific types of defects that were found in the code. The defects predicted tended to be common defects: their occurrences constituted 75.7% of the total number of defects in the 55 developed programs; each of them was introduced by at least two persons. The fraction of the defects introduced by a programmer that were predicted was on average (over all programmers) 75%. Furthermore, these predicted defects were highly persistent through the debugging process. If the prediction had been used to successfully prevent these defects, this could have saved 46.2% of the debugging iterations. This excellent capability of forecasting the exact locations and forms of possible defects at the early phases of software development recommends the approach for substantial benefits to defect prevention and early detection.
• Abstract（参考訳）: ソフトウェア欠陥の主な原因として、人間のエラーが理解の鍵であり、おそらく予測と回避の鍵である。 原因となる認知的誤りに基づいて欠陥を予測するための研究はほとんど行われていない。 本稿では,ヒューマンエラーの認知メカニズムに関する知識を通じて,ソフトウェア欠陥の予測手法を提案する。 私たちの理論では、ソフトウェア欠陥の背後にある主なプロセスは、エラーを起こしやすいシナリオがヒューマンエラーモードを引き起こすことです。 ソフトウェア欠陥はこのようなシナリオを特定し、典型的なエラーモードの知識によって予測される。 提案されたアイデアは、潜在的な欠陥の正確な位置と形を予測することを強調する。 このアプローチを実証し、検証するために、2つのケーススタディを行い、55人のプログラマがプログラミングコンペティションに参加し、5人のアナリストがそのアプローチのユーザを務めました。 このアプローチが、要求フェーズにおいて、コードで見つかった22(31.8%)の特定のタイプの欠陥のうち、7つの正確な位置と形を予測できたことは印象的なものでした。 予測された欠陥は一般的な欠陥であり、55のプログラムにおける欠陥の総数の75.7%を占め、それぞれが少なくとも2人が導入した。 予測されたプログラマが導入した欠陥のごく一部は、平均75%(全プログラマ以上)であった。 さらに、これらの予測された欠陥はデバッグプロセスを通じて非常に永続的であった。 もしこの予測がこれらの欠陥をうまく防げたなら、46.2%のデバッグイテレーションを節約できただろう。 ソフトウェア開発の初期段階で起こりうる欠陥の正確な位置と形態を予測できるこの優れた能力は、欠陥の予防と早期発見にかなりの利益をもたらすことを推奨している。

関連論文リスト

• Feature Importance in the Context of Traditional and Just-In-Time Software Defect Prediction Models [5.1868909177638125]
  本研究では,Apache Camelプロジェクトの公開データセットから,従来型およびJust-In-Timeアプローチを取り入れた欠陥予測モデルを開発した。 機械学習アルゴリズムと比較して,これらのデータセットに多層深層学習アルゴリズムを適用した。 深層学習アルゴリズムは80%と86%の精度を達成し, 従来型とジャスト・イン・タイムの欠陥予測では, それぞれ66%と78%の受信演算子曲線(AUC)のスコアが得られた。
  論文  参考訳（メタデータ） (2024-11-07T22:49:39Z)
• BAFLineDP: Code Bilinear Attention Fusion Framework for Line-Level Defect Prediction [0.0]
  本稿では,BAFLineDP(Code Bilinear attention fusion framework)に基づくラインレベルの欠陥予測手法を提案する。 以上の結果から,BAFLineDPは現在のファイルレベルおよびラインレベルの欠陥予測手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-11T09:01:42Z)
• Predicting Line-Level Defects by Capturing Code Contexts with Hierarchical Transformers [4.73194777046253]
  Bugsplorerは、ラインレベルの欠陥予測のための新しいディープラーニング技術である。 上位1～3%の疑わしい線のうち、最初の20%の欠陥線をランク付けできる。 欠陥ラインのランクを高くすることで、SQAコストを大幅に削減する可能性がある。
  論文  参考訳（メタデータ） (2023-12-19T06:25:04Z)
• Defect Prediction Using Stylistic Metrics [2.286041284499166]
  本稿では,プロジェクト内およびプロジェクト内欠陥予測におけるスタイリスティックな指標の影響を分析することを目的とする。 実験は5つの人気のあるオープンソースプロジェクトの14のリリースで実施されている。
  論文  参考訳（メタデータ） (2022-06-22T10:11:05Z)
• Fault-Aware Neural Code Rankers [64.41888054066861]
  サンプルプログラムの正しさを予測できる故障認識型ニューラルネットワークローダを提案する。 我々のフォールト・アウェア・ローダは、様々なコード生成モデルのpass@1精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-06-04T22:01:05Z)
• A Universal Error Measure for Input Predictions Applied to Online Graph Problems [57.58926849872494]
  本稿では,入力予測における誤差の定量化のための新しい尺度を提案する。 この尺度は、予測されていない要求と予測されていない実際の要求によるエラーをキャプチャする。
  論文  参考訳（メタデータ） (2022-05-25T15:24:03Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• 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)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• 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)
• Relaxing the Constraints on Predictive Coding Models [62.997667081978825]
  予測符号化(英: Predictive coding)は、脳が行う主計算が予測誤差の最小化であるとする皮質機能の影響力のある理論である。 アルゴリズムの標準的な実装は、同じ前方と後方の重み、後方の非線形微分、1-1エラーユニット接続といった、潜在的に神経的に予測できない特徴を含んでいる。 本稿では,これらの特徴はアルゴリズムに不可欠なものではなく,Hebbianの更新ルールを用いてパラメータセットを直接あるいは学習することで,学習性能に悪影響を及ぼすことなく除去可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-02T15:21:37Z)

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。