論文の概要: BAFLineDP: Code Bilinear Attention Fusion Framework for Line-Level
Defect Prediction
- arxiv url: http://arxiv.org/abs/2402.07132v1
- Date: Sun, 11 Feb 2024 09:01:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 17:17:46.895166
- Title: BAFLineDP: Code Bilinear Attention Fusion Framework for Line-Level
Defect Prediction
- Title(参考訳): BAFLineDP:ラインレベル欠陥予測のためのコードバイリニア注意融合フレームワーク
- Authors: Shaojian Qiu, Huihao Huang, Jianxiang Luo, Yingjie Kuang, Haoyu Luo
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software defect prediction aims to identify defect-prone code, aiding
developers in optimizing testing resource allocation. Most defect prediction
approaches primarily focus on coarse-grained, file-level defect prediction,
which fails to provide developers with the precision required to locate
defective code. Recently, some researchers have proposed fine-grained,
line-level defect prediction methods. However, most of these approaches lack an
in-depth consideration of the contextual semantics of code lines and neglect
the local interaction information among code lines. To address the above
issues, this paper presents a line-level defect prediction method grounded in a
code bilinear attention fusion framework (BAFLineDP). This method discerns
defective code files and lines by integrating source code line semantics,
line-level context, and local interaction information between code lines and
line-level context. Through an extensive analysis involving within- and
cross-project defect prediction across 9 distinct projects encompassing 32
releases, our results demonstrate that BAFLineDP outperforms current advanced
file-level and line-level defect prediction approaches.
- Abstract(参考訳): ソフトウェア欠陥予測(software defect prediction)は、欠陥が発生しやすいコードを特定し、開発者がリソースの割り当てを最適化するのに役立つ。
ほとんどの欠陥予測アプローチは、主に粗粒度の高いファイルレベルの欠陥予測にフォーカスしており、欠陥のあるコードを見つけるのに必要な精度を開発者に提供できない。
近年,細粒度ラインレベルの欠陥予測手法が提案されている。
しかし、これらのアプローチのほとんどは、コード行の文脈的意味に関する深い考察を欠き、コード行間のローカルなインタラクション情報を無視している。
上記の問題に対処するため,コード双線形アテンション融合フレームワーク(BAFLineDP)を基盤としたラインレベルの欠陥予測手法を提案する。
ソースコードのセマンティクス、行レベルのコンテキスト、およびコードラインと行レベルのコンテキスト間のローカルなインタラクション情報を統合することにより、欠陥のあるコードファイルと行を識別する。
32リリースを含む9つのプロジェクトにおいて,プロジェクト内およびプロジェクト間の欠陥予測を広範囲に分析することにより,BAFLineDPが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優れていることを示す。
関連論文リスト
- Code Revert Prediction with Graph Neural Networks: A Case Study at J.P. Morgan Chase [10.961209762486684]
コードリバース予測は、コード変更がソフトウェア開発で逆転またはロールバックされる可能性を予測または予測することを目的としている。
コード欠陥検出の以前の方法は、独立した機能に依存していたが、コードスクリプト間の関係を無視していた。
本稿では,コードインポートグラフとコード特徴を統合した,コード逆転予測のための系統的研究について述べる。
論文 参考訳(メタデータ) (2024-03-14T15:54:29Z) - 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) - Continual learning for surface defect segmentation by subnetwork
creation and selection [55.2480439325792]
破滅的な忘れを伴わずにセグメンテーションタスクを実行する,新たな連続的(あるいは寿命の長い)学習アルゴリズムを導入する。
この方法は、2つの異なる表面欠陥分割問題に適用され、漸進的に学習される。
当社のアプローチでは,すべてのトレーニングデータ(すべての欠陥)を同時に見る場合,共同トレーニングと同等の結果が得られます。
論文 参考訳(メタデータ) (2023-12-08T15:28:50Z) - Method-Level Bug Severity Prediction using Source Code Metrics and LLMs [0.628122931748758]
本稿では,ソースコードのメトリクス,大言語モデル(LLM)を用いたソースコード表現,およびバグ重大度ラベルの予測におけるそれらの組み合わせについて検討する。
以上の結果から,決定木モデルとランダムフォレストモデルは,いくつかの評価指標に関して,他のモデルよりも優れていたことが示唆された。
CodeBERTの微調整により、いくつかの評価指標の29%-140%の範囲でバグの重大度予測が大幅に改善される。
論文 参考訳(メタデータ) (2023-09-06T14:38:07Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳(メタデータ) (2023-03-25T08:56:21Z) - 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) - 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) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-12-10T10:02:31Z) - HEDP: A Method for Early Forecasting Software Defects based on Human
Error Mechanisms [1.0660480034605238]
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。
論文 参考訳(メタデータ) (2021-10-13T14:44:23Z) - Autoregressive Belief Propagation for Decoding Block Codes [113.38181979662288]
誤り訂正符号の復号化にグラフニューラルネットワークを用いた最近の手法を再検討する。
本手法は,他手法がゼロワードでのみ学習できる対称性条件に反する。
1つの単語でトレーニングする余地がなく、関連するサンプル空間のごく一部でトレーニングできないにもかかわらず、効果的なトレーニングを実演する。
論文 参考訳(メタデータ) (2021-01-23T17:14:55Z) - 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)
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。