論文の概要: Evaluating the Performance of a D-Wave Quantum Annealing System for Feature Subset Selection in Software Defect Prediction

• arxiv url: http://arxiv.org/abs/2410.16469v1
• Date: Mon, 21 Oct 2024 19:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:30:34.952002
• Title: Evaluating the Performance of a D-Wave Quantum Annealing System for Feature Subset Selection in Software Defect Prediction
• Title（参考訳）: ソフトウェア欠陥予測における特徴サブセット選択のためのD波量子アニールシステムの性能評価
• Authors: Ashis Kumar Mandal, Md Nadim, Chanchal K. Roy, Banani Roy, Kevin A. Schneider,
• Abstract要約: D-Wave Quantum Processing Unit (QPU) を特徴量選択のためのQAソルバとして使用する。 AEEM、データセット、NASAプロジェクトからの複数のソフトウェア欠陥を用いてこのアプローチの性能を評価する。 実験の結果,QAに基づく機能サブセットの選択により,ソフトウェアの欠陥予測が向上することが示された。
• 参考スコア（独自算出の注目度）: 8.626933144631955
• License:
• Abstract: Predicting software defects early in the development process not only enhances the quality and reliability of the software but also decreases the cost of development. A wide range of machine learning techniques can be employed to create software defect prediction models, but the effectiveness and accuracy of these models are often influenced by the choice of appropriate feature subset. Since finding the optimal feature subset is computationally intensive, heuristic and metaheuristic approaches are commonly employed to identify near-optimal solutions within a reasonable time frame. Recently, the quantum computing paradigm quantum annealing (QA) has been deployed to find solutions to complex optimization problems. This opens up the possibility of addressing the feature subset selection problem with a QA machine. Although several strategies have been proposed for feature subset selection using a QA machine, little exploration has been done regarding the viability of a QA machine for feature subset selection in software defect prediction. This study investigates the potential of D-Wave QA system for this task, where we formulate a mutual information (MI)-based filter approach as an optimization problem and utilize a D-Wave Quantum Processing Unit (QPU) solver as a QA solver for feature subset selection. We evaluate the performance of this approach using multiple software defect datasets from the AEEM, JIRA, and NASA projects. We also utilize a D-Wave classical solver for comparative analysis. Our experimental results demonstrate that QA-based feature subset selection can enhance software defect prediction. Although the D-Wave QPU solver exhibits competitive prediction performance with the classical solver in software defect prediction, it significantly reduces the time required to identify the best feature subset compared to its classical counterpart.
• Abstract（参考訳）: 開発プロセスの初期段階でソフトウェア欠陥を予測することは、ソフトウェアの品質と信頼性を高めるだけでなく、開発コストを削減します。 ソフトウェア欠陥予測モデルを作成するために、幅広い機械学習技術を用いることができるが、これらのモデルの有効性と正確性は、しばしば適切な特徴サブセットの選択に影響される。 最適特徴部分集合を見つけることは計算集約的であるので、ヒューリスティックなメタヒューリスティックなアプローチは、妥当な時間枠内で準最適解を特定するために一般的に用いられる。 近年,量子コンピューティングパラダイムの量子アニール法 (QA) が,複雑な最適化問題の解を見つけるために導入されている。 これにより、QAマシンで機能サブセット選択問題に対処することが可能になる。 QAマシンを用いた機能サブセット選択のためのいくつかの戦略が提案されているが、ソフトウェア欠陥予測における機能サブセット選択のためのQAマシンの実現性についてはほとんど調査されていない。 本研究では,D-Wave量子処理ユニット(QPU)を特徴部分選択のためのQAソルバとして利用し,相互情報(MI)に基づくフィルタアプローチを最適化問題として定式化し,D-Wave量子処理ユニット(QPU)を用いた課題に対するD-Wave QAシステムの可能性について検討する。 AEEM、JIRA、NASAの複数のソフトウェア欠陥データセットを用いてこのアプローチの性能を評価する。 また、D-Wave古典解法を用いて比較解析を行う。 実験の結果,QAに基づく機能サブセットの選択によってソフトウェア欠陥の予測が向上することが示された。 D-Wave QPUソルバは、ソフトウェア欠陥予測において、古典的解法と競合する予測性能を示すが、古典的解法と比較して、最高の特徴部分集合を特定するのに必要な時間を大幅に削減する。

関連論文リスト

• Approximating under the Influence of Quantum Noise and Compute Power [3.0302054726041017]
  量子近似最適化アルゴリズム(QAOA)は、量子コンピュータのパワーと古典的な高性能コンピューティングアプライアンスを組み合わせて最適化することを目的とした多くのシナリオの中核である。 総合密度行列に基づくシミュレーションを用いて, 4種類のQAOA変異体の解の質と時間的挙動に影響を与える因子について検討した。 本研究の結果は, 包括的複製パッケージを伴い, 狭小かつ特異な影響を指摘できるQAOA変異体との違いが強く認められた。
  論文  参考訳（メタデータ） (2024-08-05T07:48:49Z)
• Analyzing the Effectiveness of Quantum Annealing with Meta-Learning [7.251305766151019]
  メタラーニングモデルに基づく量子アニーリング(QA)の有効性を検討するための新しい手法を提案する。 10の異なる最適化問題の5万以上のインスタンスからなるデータセットを構築します。 それらの特徴を説明するために100以上の特徴のセットを定義し、QAと3つの古典的解法を用いてそれらを解決する。
  論文  参考訳（メタデータ） (2024-08-01T14:03:11Z)
• Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
  変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。 本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。 また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
  論文  参考訳（メタデータ） (2024-04-17T11:00:12Z)
• A novel feature selection method based on quantum support vector machine [3.6953740776904924]
  特徴の選択は、次元を減らし、モデルの精度と効率を改善するために機械学習において重要である。 本稿では,量子支援ベクトルマシンと遺伝的アルゴリズムを統合した量子支援ベクトルマシン特徴選択法(QSVMF)を提案する。 乳がんデータセットの特徴選択にQSVMFを適用し、QSVMFの性能と古典的アプローチを比較した。
  論文  参考訳（メタデータ） (2023-11-29T14:08:26Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum Computing [93.83016310295804]
  AQCは研究関心の問題を実装でき、コンピュータビジョンタスクのための量子表現の開発に拍車をかけた。 本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。 最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。 これにより、合成タスクと実際の視覚データについて、D-Wave AQCで示すような曖昧な解とデータポイントを識別することができる。
  論文  参考訳（メタデータ） (2023-10-18T17:59:45Z)
• A Review on Quantum Approximate Optimization Algorithm and its Variants [47.89542334125886]
  量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)は、難解な最適化問題を解くことを目的とした、非常に有望な変分量子アルゴリズムである。 この総合的なレビューは、様々なシナリオにおけるパフォーマンス分析を含む、QAOAの現状の概要を提供する。 我々は,提案アルゴリズムの今後の展望と方向性を探りながら,選択したQAOA拡張と変種の比較研究を行う。
  論文  参考訳（メタデータ） (2023-06-15T15:28:12Z)
• Feature Selection for Classification with QAOA [11.516147824168732]
  特徴選択は機械学習において非常に重要であり、分類、ランク付け、予測問題の次元化に使用できる。 我々は特に、すでに最適化に使われている近似量子最適化(QAOA)に対処できる二次的特徴選択問題を考える。 実験では,次元が21まで異なる7つの実世界のデータセットについて検討し,量子シミュレータと小型データセットの両方でQAOAを実行する。
  論文  参考訳（メタデータ） (2022-11-05T09:28:53Z)
• Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
  マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。 これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。 本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-02-17T18:59:20Z)
• Machine Learning Techniques for Software Quality Assurance: A Survey [5.33024001730262]
  我々は,障害予測とテストケース優先順位付けの両方における様々なアプローチについて考察する。 近年,障害予測のためのディープラーニングアルゴリズムは,プログラムのセマンティクスと障害予測機能とのギャップを埋めるのに役立つ。
  論文  参考訳（メタデータ） (2021-04-29T00:37:27Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)

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。