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

• AI-Spectra: A Visual Dashboard for Model Multiplicity to Enhance Informed and Transparent Decision-Making [1.860042727037436]
  本稿では,対話型システムにおけるモデル多重性を活用するためのAI-Spectraを提案する。 モデル乗法とは、わずかに異なるAIモデルを使用することで、同じタスクに対して同等に有効な結果や予測が得られることを意味する。 我々は、Chernoffの顔のカスタム適応をAI-Spectra; Chernoff Botsに使用しています。
  論文  参考訳（メタデータ） (2024-11-14T18:50:41Z)
• Ratio law: mathematical descriptions for a universal relationship between AI performance and input samples [0.0]
  モデル性能と少数サンプルと多数サンプルの比率が2つの簡潔な方程式によって密接な関係を持つことを示す比則を示す。 数学的に、バランスの取れたデータセット上でAIモデルがその最適な性能を達成することを証明した。
  論文  参考訳（メタデータ） (2024-11-01T13:43:19Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Adaptation of XAI to Auto-tuning for Numerical Libraries [0.0]
  説明可能なAI(XAI)技術は、AIモデル開発の合理化と、ユーザへのAI出力の説明の負担軽減を目的として、注目を集めている。 本研究は,2つの異なるプロセスに統合されたAIモデルのXAIに着目し,数値計算を行う。
  論文  参考訳（メタデータ） (2024-05-12T09:00:56Z)
• 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。