論文の概要: Defect Category Prediction Based on Multi-Source Domain Adaptation

• arxiv url: http://arxiv.org/abs/2405.10511v1
• Date: Fri, 17 May 2024 03:30:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 17:11:53.588290
• Title: Defect Category Prediction Based on Multi-Source Domain Adaptation
• Title（参考訳）: マルチソース領域適応に基づく欠陥カテゴリ予測
• Authors: Ying Xing, Mengci Zhao, Bin Yang, Yuwei Zhang, Wenjin Li, Jiawei Gu, Jun Yuan,
• Abstract要約: 本稿では,対戦型学習と注意機構を統合したマルチソースドメイン適応フレームワークを提案する。 8つの実世界のオープンソースプロジェクトの実験は、提案されたアプローチが大幅なパフォーマンス改善を実現していることを示している。
• 参考スコア（独自算出の注目度）: 8.712655828391016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, defect prediction techniques based on deep learning have become a prominent research topic in the field of software engineering. These techniques can identify potential defects without executing the code. However, existing approaches mostly concentrate on determining the presence of defects at the method-level code, lacking the ability to precisely classify specific defect categories. Consequently, this undermines the efficiency of developers in locating and rectifying defects. Furthermore, in practical software development, new projects often lack sufficient defect data to train high-accuracy deep learning models. Models trained on historical data from existing projects frequently struggle to achieve satisfactory generalization performance on new projects. Hence, this paper initially reformulates the traditional binary defect prediction task into a multi-label classification problem, employing defect categories described in the Common Weakness Enumeration (CWE) as fine-grained predictive labels. To enhance the model performance in cross-project scenarios, this paper proposes a multi-source domain adaptation framework that integrates adversarial training and attention mechanisms. Specifically, the proposed framework employs adversarial training to mitigate domain (i.e., software projects) discrepancies, and further utilizes domain-invariant features to capture feature correlations between each source domain and the target domain. Simultaneously, the proposed framework employs a weighted maximum mean discrepancy as an attention mechanism to minimize the representation distance between source and target domain features, facilitating model in learning more domain-independent features. The experiments on 8 real-world open-source projects show that the proposed approach achieves significant performance improvements compared to state-of-the-art baselines.
• Abstract（参考訳）: 近年,ディープラーニングに基づく欠陥予測技術は,ソフトウェア工学分野における顕著な研究課題となっている。 これらのテクニックは、コードを実行することなく潜在的な欠陥を特定することができる。 しかし、既存のアプローチは主にメソッドレベルのコードに欠陥があるかどうかを決定することに集中しており、特定の欠陥カテゴリを正確に分類する能力は欠如している。 その結果、開発者は欠陥の特定と修正の効率を損なうことになる。 さらに、実用的なソフトウェア開発では、新しいプロジェクトには高い精度のディープラーニングモデルをトレーニングするのに十分な欠陥データがないことが多い。 既存のプロジェクトからの履歴データに基づいてトレーニングされたモデルは、新しいプロジェクトで十分な一般化性能を達成するためにしばしば苦労する。 そこで本稿では,従来のバイナリ欠陥予測タスクを多ラベル分類問題に再構成し,CWE(Common Weakness Enumeration)に記載された欠陥カテゴリをきめ細かな予測ラベルとして活用する。 クロスプロジェクトシナリオにおけるモデル性能を向上させるために,対戦型トレーニングとアテンション機構を統合したマルチソースドメイン適応フレームワークを提案する。 特に,提案フレームワークでは,ドメイン(ソフトウェアプロジェクト)の相違を軽減し,さらにドメイン不変の機能を活用して,各ソースドメインと対象ドメイン間の特徴相関を捉える。 同時に、提案フレームワークは、ソースとターゲットのドメイン特徴間の表現距離を最小化するための注意機構として、重み付けされた平均差を取り入れ、よりドメインに依存しない特徴を学習するモデルを容易にする。 8つの実世界のオープンソースプロジェクトの実験から,提案手法は最先端のベースラインと比較して,大幅な性能向上を実現していることがわかった。

関連論文リスト

• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• Robustness, Evaluation and Adaptation of Machine Learning Models in the Wild [4.304803366354879]
  本研究では、ドメインシフトに対するロバスト性の障害の原因と、ドメインロバストモデルをトレーニングするためのアルゴリズムを提案する。 モデル脆性の鍵となる原因はドメイン過度な適合であり、新しいトレーニングアルゴリズムはドメイン一般仮説を抑え、奨励する。
  論文  参考訳（メタデータ） (2023-03-05T21:41:16Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• On Balancing Bias and Variance in Unsupervised Multi-Source-Free Domain Adaptation [6.2200089460762085]
  マルチソースフリードメイン適応(MSFDA)の方法は、典型的には、ソースモデルによって生成された擬似ラベル付きデータを使用してターゲットモデルを訓練する。 得られた対象モデルの一般化誤差に基づく情報理論境界を開発する。 次に、ドメインアグリゲーション、選択的な擬似ラベル付け、共同機能アライメントといった3つの視点から、このトレードオフのバランスをとる方法についての洞察を提供します。
  論文  参考訳（メタデータ） (2022-02-01T22:34:18Z)
• Boosting Unsupervised Domain Adaptation with Soft Pseudo-label and Curriculum Learning [19.903568227077763]
  教師なしドメイン適応(UDA)は、完全にラベル付けされたソースドメインからのデータを活用することにより、ラベル付けされていないターゲットドメインの分類性能を向上させる。 ソフトな擬似ラベル戦略を用いてモデル予測の欠陥を大幅に低減するモデルに依存しない2段階学習フレームワークを提案する。 第2段階では,2つのドメインの損失間の重み付けを適応的に制御するカリキュラム学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-03T14:47:32Z)
• f-Domain-Adversarial Learning: Theory and Algorithms [82.97698406515667]
  教師なしのドメイン適応は、トレーニング中、ターゲットドメイン内のラベルなしデータにアクセス可能な、多くの機械学習アプリケーションで使用されている。 領域適応のための新しい一般化法を導出し、f-発散体の変分的特徴に基づく分布間の相違性の新しい尺度を利用する。
  論文  参考訳（メタデータ） (2021-06-21T18:21:09Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Progressive Graph Learning for Open-Set Domain Adaptation [48.758366879597965]
  ドメインシフトは、典型的にはソースとターゲットデータが異なる分布に従うときに発生する視覚認識の基本的な問題である。 本稿では、ターゲットデータにソースデータに存在しない追加のクラスを含むオープンセットドメインシフトのより現実的な問題に取り組む。 本稿では,その基礎となる条件シフトを抑制するために,エピソード学習を伴うグラフニューラルネットワークを統合したエンドツーエンドのプログレッシブグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:10:34Z)

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。