論文の概要: Quantum vs. Classical Machine Learning Algorithms for Software Defect Prediction: Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2412.07698v1
• Date: Tue, 10 Dec 2024 17:38:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:39:29.708676
• Title: Quantum vs. Classical Machine Learning Algorithms for Software Defect Prediction: Challenges and Opportunities
• Title（参考訳）: ソフトウェア欠陥予測のための量子対古典的機械学習アルゴリズム:課題と機会
• Authors: Md Nadim, Mohammad Hassan, Ashis Kumar Mandal, Chanchal K. Roy,
• Abstract要約: 本研究では,ソフトウェア欠陥データセット上での3つの量子機械学習(QML)と5つの古典的機械学習(CML)アルゴリズムの性能を比較した。 本研究は,QML対CMLアルゴリズムの比較シナリオを報告し,ソフトウェア欠陥を予測するための優れた性能と一貫したアルゴリズムを同定する。 本研究の成果は,ソフトウェアシステムを信頼性とバグのないものにすることで,実践者や研究者のさらなる研究領域の進展に役立つ。
• 参考スコア（独自算出の注目度）: 4.2793468776829
• License:
• Abstract: Software defect prediction is a critical aspect of software quality assurance, as it enables early identification and mitigation of defects, thereby reducing the cost and impact of software failures. Over the past few years, quantum computing has risen as an exciting technology capable of transforming multiple domains; Quantum Machine Learning (QML) is one of them. QML algorithms harness the power of quantum computing to solve complex problems with better efficiency and effectiveness than their classical counterparts. However, research into its application in software engineering to predict software defects still needs to be explored. In this study, we worked to fill the research gap by comparing the performance of three QML and five classical machine learning (CML) algorithms on the 20 software defect datasets. Our investigation reports the comparative scenarios of QML vs. CML algorithms and identifies the better-performing and consistent algorithms to predict software defects. We also highlight the challenges and future directions of employing QML algorithms in real software defect datasets based on the experience we faced while performing this investigation. The findings of this study can help practitioners and researchers further progress in this research domain by making software systems reliable and bug-free.
• Abstract（参考訳）: ソフトウェア欠陥予測は、欠陥の早期発見と緩和を可能にし、ソフトウェア障害のコストと影響を低減するため、ソフトウェア品質保証の重要な側面である。 過去数年間、量子コンピューティングは、複数のドメインを変換できるエキサイティングな技術として台頭してきた。 QMLアルゴリズムは量子コンピューティングのパワーを利用して、従来のアルゴリズムよりも効率と効率が良い複雑な問題を解く。 しかし、ソフトウェア欠陥を予測するソフトウェア工学におけるその応用に関する研究は、まだ検討する必要がある。 本研究では,20のソフトウェア欠陥データセット上での3つのQMLと5つの古典的機械学習(CML)アルゴリズムの性能を比較することで,研究ギャップを埋める作業を行った。 本研究は,QML対CMLアルゴリズムの比較シナリオを報告し,ソフトウェア欠陥を予測するための優れた性能と一貫したアルゴリズムを同定する。 また、この調査で直面した経験に基づいて、実際のソフトウェア欠陥データセットにQMLアルゴリズムを採用する際の課題と今後の方向性を強調します。 本研究の成果は,ソフトウェアシステムを信頼性とバグのないものにすることで,実践者や研究者のさらなる研究領域の進展に役立つ。

関連論文リスト

• Agent-Driven Automatic Software Improvement [55.2480439325792]
  本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。 継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。 我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
  論文  参考訳（メタデータ） (2024-06-24T15:45:22Z)
• A Machine Learning-Based Error Mitigation Approach For Reliable Software Development On IBM'S Quantum Computers [8.50998018964906]
  現在の量子コンピュータには固有のノイズがあり、量子コンピュータ上で実行される量子ソフトウェアの出力に誤差をもたらす。 本稿では、量子ソフトウェア出力におけるノイズエラーを軽減するために、Q-LEARと呼ばれる実用的な機械学習手法を提案する。 その結果、Q-LEARはベースラインと比較して、実量子コンピュータとシミュレータの両方で平均25%の誤差低減を実現した。
  論文  参考訳（メタデータ） (2024-04-19T13:51:40Z)
• Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
  本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。 小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-01T20:55:03Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
  本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
  論文  参考訳（メタデータ） (2023-08-10T13:19:10Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• Reducing the cost of energy estimation in the variational quantum eigensolver algorithm with robust amplitude estimation [50.591267188664666]
  量子化学と材料は、量子コンピューティングの最も有望な応用の1つである。 これらの領域における産業関連問題とそれを解決する量子アルゴリズムとの整合性については、まだ多くの研究が続けられている。
  論文  参考訳（メタデータ） (2022-03-14T16:51:36Z)
• 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)
• Noisy intermediate-scale quantum (NISQ) algorithms [0.5325753548715747]
  整数因数分解や非構造データベース探索のような効率よく解くことができる普遍的フォールトトレラント量子コンピュータは、誤り率の低い数百万の量子ビットと長いコヒーレンス時間を必要とする。 このようなデバイスの実現に向けた実験的進歩は数十年の研究を要する可能性があるが、ノイズの多い中規模量子コンピュータ(NISQ)はすでに存在する。 これらのコンピュータは数百のうるさいクビットで構成されている。 誤り訂正されていないキュービットは、限られたコヒーレンス時間で不完全な操作を実行する。
  論文  参考訳（メタデータ） (2021-01-21T05:27:34Z)
• A Review On Software Defects Prediction Methods [0.0]
  ソフトウェア欠陥分類のための機械学習アルゴリズムの性能解析を行う。 私たちはこの研究のためにNASAのpromiseデータセットリポジトリから7つのデータセットを使用しました。
  論文  参考訳（メタデータ） (2020-10-30T16:10:23Z)
• An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
  小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。 量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
  論文  参考訳（メタデータ） (2020-05-06T14:18:44Z)

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。