論文の概要: A comprehensible analysis of the efficacy of Ensemble Models for Bug
Prediction
- arxiv url: http://arxiv.org/abs/2310.12133v1
- Date: Wed, 18 Oct 2023 17:43:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 11:27:39.842396
- Title: A comprehensible analysis of the efficacy of Ensemble Models for Bug
Prediction
- Title(参考訳): バグ予測のためのアンサンブルモデルの有効性の理解可能な分析
- Authors: Ingrid Mar\c{c}al and Rog\'erio Eduardo Garcia
- Abstract要約: 我々は,単一のAIモデルとアンサンブルAIモデルという,2つのAIベースのアプローチの比較と分析を行い,Javaクラスがバグのある確率を予測する。
実験結果から,AIモデルのアンサンブルは,個々のAIモデルの適用結果より優れていたことが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The correctness of software systems is vital for their effective operation.
It makes discovering and fixing software bugs an important development task.
The increasing use of Artificial Intelligence (AI) techniques in Software
Engineering led to the development of a number of techniques that can assist
software developers in identifying potential bugs in code. In this paper, we
present a comprehensible comparison and analysis of the efficacy of two
AI-based approaches, namely single AI models and ensemble AI models, for
predicting the probability of a Java class being buggy. We used two open-source
Apache Commons Project's Java components for training and evaluating the
models. Our experimental findings indicate that the ensemble of AI models can
outperform the results of applying individual AI models. We also offer insight
into the factors that contribute to the enhanced performance of the ensemble AI
model. The presented results demonstrate the potential of using ensemble AI
models to enhance bug prediction results, which could ultimately result in more
reliable software systems.
- Abstract(参考訳): ソフトウェアシステムの正確性は、その効果的な運用に不可欠である。
ソフトウェアバグの発見と修正が重要な開発タスクになります。
ソフトウェアエンジニアリングにおける人工知能(AI)技術の利用が増加し、ソフトウェア開発者がコード中の潜在的なバグを特定するのを助ける多くの技術の開発につながった。
本稿では,1つのAIモデルとアンサンブルAIモデルという,2つのAIベースのアプローチの有効性を総合的に比較,分析し,バグのあるJavaクラスの確率を予測する。
モデルのトレーニングと評価には、オープンソースのapache commonsプロジェクトのjavaコンポーネントを2つ使用しました。
実験結果から,AIモデルのアンサンブルは,個々のAIモデルの適用結果より優れていることが示された。
また、アンサンブルAIモデルの高性能化に寄与する要因について、洞察を提供する。
提案した結果は、アンサンブルAIモデルを使用してバグ予測結果を向上する可能性を示し、最終的にはより信頼性の高いソフトウェアシステムになる可能性がある。
関連論文リスト
- Analyzing the Quality Attributes of AI Vision Models in Open
Repositories Under Adversarial Attacks [8.861368759724431]
敵対的攻撃は、AIモデルの堅牢性と説明可能性に対する潜在的な脅威である。
XAIは、入力を近似したアルゴリズムをポストホック出力に適用し、貢献する特徴を識別する。
本稿では,下流評価タスクのための統合プロセスを提案する。
論文 参考訳(メタデータ) (2024-01-22T00:37:01Z) - Exploration with Principles for Diverse AI Supervision [88.61687950039662]
次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。
この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。
この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。
本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-10-13T07:03:39Z) - Comparing Software Developers with ChatGPT: An Empirical Investigation [0.0]
本稿では,ChatGPTのようなソフトウェア技術者やAIシステムのパフォーマンスを,さまざまな評価指標で比較した実証的研究を行う。
この論文は、さまざまな評価基準を考慮して、ソフトウェアエンジニアとAIベースのソリューションの包括的な比較が、人間と機械のコラボレーションを促進する上で重要であることを示唆している。
論文 参考訳(メタデータ) (2023-05-19T17:25:54Z) - AI Model Utilization Measurements For Finding Class Encoding Patterns [2.702380921892937]
この研究は、訓練された人工知能(AI)モデルの活用度測定を設計する際の問題に対処する。
この問題は、セキュリティおよび安全クリティカルなアプリケーションにおけるAIモデルの説明可能性の欠如によって動機付けられている。
論文 参考訳(メタデータ) (2022-12-12T02:18:10Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳(メタデータ) (2022-03-06T10:12:56Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳(メタデータ) (2022-03-03T20:52:47Z) - Human-Algorithm Collaboration: Achieving Complementarity and Avoiding
Unfairness [92.26039686430204]
慎重に設計されたシステムであっても、補完的な性能はあり得ないことを示す。
まず,簡単な人間アルゴリズムをモデル化するための理論的枠組みを提案する。
次に、このモデルを用いて相補性が不可能な条件を証明する。
論文 参考訳(メタデータ) (2022-02-17T18:44:41Z) - Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and
Introspection [61.571331422347875]
モデルの信号認識性を高めるためのデータ駆動型手法を提案する。
コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。
モデル信号認識における最大4.8倍の改善を実現している。
論文 参考訳(メタデータ) (2021-11-10T17:58:18Z) - A Model-Driven Engineering Approach to Machine Learning and Software
Modeling [0.5156484100374059]
モデルは、ソフトウェア工学(SE)と人工知能(AI)のコミュニティで使われている。
主な焦点はIoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のユースケースである。
論文 参考訳(メタデータ) (2021-07-06T15:50:50Z) - Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring
Systems [64.4896118325552]
モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。
AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
論文 参考訳(メタデータ) (2020-07-14T03:49:43Z)
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。