論文の概要: Building Defect Prediction Models by Online Learning Considering Defect Overlooking

• arxiv url: http://arxiv.org/abs/2404.11033v1
• Date: Wed, 17 Apr 2024 03:20:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-18 15:24:20.895607
• Title: Building Defect Prediction Models by Online Learning Considering Defect Overlooking
• Title（参考訳）: 欠陥見落としを考慮したオンライン学習による欠陥予測モデルの構築
• Authors: Nikolay Fedorov, Yuta Yamasaki, Masateru Tsunoda, Akito Monden, Amjed Tahir, Kwabena Ebo Bennin, Koji Toda, Keitaro Nakasai,
• Abstract要約: オンライン学習に基づく欠陥予測モデルの構築は、予測精度を向上させることができる。 非欠陥(non-defective)"と予測されるモジュールは、そのようなモジュールのテストケースが少なくなる可能性がある。 誤テスト結果は、オンライン学習による学習データとして使用され、予測精度に悪影響を及ぼす可能性がある。
• 参考スコア（独自算出の注目度）: 1.5869998695491834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building defect prediction models based on online learning can enhance prediction accuracy. It continuously rebuilds a new prediction model, when a new data point is added. However, a module predicted as "non-defective" can result in fewer test cases for such modules. Thus, a defective module can be overlooked during testing. The erroneous test results are used as learning data by online learning, which could negatively affect prediction accuracy. To suppress the negative influence, we propose to apply a method that fixes the prediction as positive during the initial stage of online learning. Additionally, we improved the method to consider the probability of the overlooking. In our experiment, we demonstrate this negative influence on prediction accuracy, and the effectiveness of our approach. The results show that our approach did not negatively affect AUC but significantly improved recall.
• Abstract（参考訳）: オンライン学習に基づく欠陥予測モデルの構築は、予測精度を向上させることができる。 新しいデータポイントが追加されると、新しい予測モデルを継続的に再構築する。 しかしながら、"非欠陥"と予測されるモジュールは、そのようなモジュールのテストケースが少なくなる可能性がある。 したがって、テスト中に欠陥のあるモジュールを見落としてしまうことがある。 誤テスト結果は、オンライン学習による学習データとして使用され、予測精度に悪影響を及ぼす可能性がある。 そこで本研究では,オンライン学習の初期段階において,予測を肯定的に修正する手法を提案する。 さらに,見落としの可能性を考慮し,提案手法を改良した。 本実験では,予測精度とアプローチの有効性に,この負の影響を実証する。 その結果,本手法はAUCに悪影響を及ぼさなかったが,リコールは有意に改善した。

関連論文リスト

• Online Classification with Predictions [20.291598040396302]
  我々は,学習者が将来の事例に関する予測にアクセスできる場合に,オンライン分類を研究する。 学習者が、将来の例が容易に予測可能なデータを見ることが常に保証されている場合、オンライン学習は、トランスダクティブなオンライン学習と同じくらい簡単であることを示す。
  論文  参考訳（メタデータ） (2024-05-22T23:45:33Z)
• The Impact of Defect (Re) Prediction on Software Testing [1.5869998695491834]
  クロスプロジェクト欠陥予測(CPDP)は、同じプロジェクトから過去のデータが入手できない可能性があるため、外部プロジェクトからのデータを使用することを目的としている。 Bandit Algorithm(BA)に基づくアプローチは、これまで最も適切な学習プロジェクトを選択するために提案されてきた。 本研究の目的は,特に早期試験において,見渡す欠陥を減らすため,BA法を改善することである。
  論文  参考訳（メタデータ） (2024-04-17T03:34:13Z)
• Towards Causal Deep Learning for Vulnerability Detection [31.59558109518435]
  ソフトウェア工学モデルに計算に基づく因果学習を導入する。 以上の結果から,CausalVulはモデル精度,ロバスト性,OOD性能を一貫して改善した。
  論文  参考訳（メタデータ） (2023-10-12T00:51:06Z)
• EANet: Expert Attention Network for Online Trajectory Prediction [5.600280639034753]
  Expert Attention Networkは、軌道予測のための完全なオンライン学習フレームワークである。 我々は,ネットワーク層の深さの異なる重みを調整し,勾配問題によるモデル更新が遅いことを回避し,専門家の注意を喚起する。 さらに,シナリオ変化に敏感な短期動作トレンドカーネル関数を提案する。
  論文  参考訳（メタデータ） (2023-09-11T07:09:40Z)
• Software Defect Prediction by Online Learning Considering Defect Overlooking [1.655352281097533]
  オンライン学習に基づく欠陥予測モデルの構築は、予測精度を向上させることができる。 新しいデータポイントを追加する際に、新しい予測モデルを継続的に再構築する。 しかし、モジュールを"非欠陥"(負の予測)として予測すると、そのようなモジュールのテストケースが少なくなる。
  論文  参考訳（メタデータ） (2023-08-25T15:02:22Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• On the Role of Negative Precedent in Legal Outcome Prediction [65.30798081417115]
  ポジティブな結果の予測である法的結果の予測は、AIにおいてますます一般的なタスクである。 ここでは、ネガティブな結果に焦点をあて、ネガティブな結果予測の新しいタスクを導入します。 正および負の結果を予測する既存モデルの非対称性を発見する。 裁判所手続きのダイナミクスにインスパイアされた2つの新しいモデルを開発する。
  論文  参考訳（メタデータ） (2022-08-17T11:12:50Z)
• Agree to Disagree: Diversity through Disagreement for Better Transferability [54.308327969778155]
  本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。 我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T12:03:02Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• 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)
• Positive-Congruent Training: Towards Regression-Free Model Updates [87.25247195148187]
  画像分類において、サンプルワイドの不整合は「負のフリップ」として現れる 新しいモデルは、古い(参照)モデルによって正しく分類されたテストサンプルの出力を誤って予測する。 そこで本研究では,PC トレーニングのための簡易なアプローチである Focal Distillation を提案する。
  論文  参考訳（メタデータ） (2020-11-18T09:00:44Z)

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。