論文の概要: Comparative Analysis of Quantum and Classical Support Vector Classifiers for Software Bug Prediction: An Exploratory Study

• arxiv url: http://arxiv.org/abs/2501.04690v1
• Date: Wed, 08 Jan 2025 18:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-09 14:56:58.487394
• Title: Comparative Analysis of Quantum and Classical Support Vector Classifiers for Software Bug Prediction: An Exploratory Study
• Title（参考訳）: ソフトウェアバグ予測のための量子および古典的サポートベクトル分類器の比較分析:探索的研究
• Authors: Md Nadim, Mohammad Hassan, Ashis Kumar Mandal, Chanchal K. Roy, Banani Roy, Kevin A. Schneider,
• Abstract要約: 本稿では,Quantum Support Vectors (QSVC) のバギーソフトウェアコミット検出への応用について検討する。 提案手法は,QSVCアルゴリズムの大規模データセットをより小さなサブセットに分割することで処理する。 本稿では,これらのモデルからの予測を組み合わせて,テストデータセット全体を検出するアグリゲーション手法を提案する。
• 参考スコア（独自算出の注目度）: 8.214986715680737
• License:
• Abstract: Purpose: Quantum computing promises to transform problem-solving across various domains with rapid and practical solutions. Within Software Evolution and Maintenance, Quantum Machine Learning (QML) remains mostly an underexplored domain, particularly in addressing challenges such as detecting buggy software commits from code repositories. Methods: In this study, we investigate the practical application of Quantum Support Vector Classifiers (QSVC) for detecting buggy software commits across 14 open-source software projects with diverse dataset sizes encompassing 30,924 data instances. We compare the QML algorithm PQSVC (Pegasos QSVC) and QSVC against the classical Support Vector Classifier (SVC). Our technique addresses large datasets in QSVC algorithms by dividing them into smaller subsets. We propose and evaluate an aggregation method to combine predictions from these models to detect the entire test dataset. We also introduce an incremental testing methodology to overcome the difficulties of quantum feature mapping during the testing approach. Results: The study shows the effectiveness of QSVC and PQSVC in detecting buggy software commits. The aggregation technique successfully combines predictions from smaller data subsets, enhancing the overall detection accuracy for the entire test dataset. The incremental testing methodology effectively manages the challenges associated with quantum feature mapping during the testing process. Conclusion: We contribute to the advancement of QML algorithms in defect prediction, unveiling the potential for further research in this domain. The specific scenario of the Short-Term Activity Frame (STAF) highlights the early detection of buggy software commits during the initial developmental phases of software systems, particularly when dataset sizes remain insufficient to train machine learning models.
• Abstract（参考訳）: 目的: 量子コンピューティングは、迅速かつ実用的なソリューションで、様々な領域にわたる問題解決を変革することを約束する。 ソフトウェア進化とメンテナンスの中で、QML(Quantum Machine Learning)は、主に未調査の領域であり、特にバグの多いソフトウェアコミットをコードリポジトリから検出するといった課題に対処している。 方法:本研究では,30,924個のデータインスタンスを含む多様なデータセットサイズを持つ14のオープンソースプロジェクトにおいて,バグソフトウェアコミットを検出するためのQSVC(Quantum Support Vector Classifiers)の実用化について検討する。 本稿では,従来のサポートベクトル分類器(SVC)と比較して,QMLアルゴリズムのPQSVC(Pegasos QSVC)とQSVCを比較した。 提案手法は,QSVCアルゴリズムの大規模データセットをより小さなサブセットに分割することで処理する。 本稿では,これらのモデルからの予測を組み合わせて,テストデータセット全体を検出するアグリゲーション手法を提案し,評価する。 また、テスト手法における量子特徴マッピングの難しさを克服するための漸進的なテスト手法も導入する。 結果: 本研究は,QSVCとPQSVCがソフトウェアコミットの検出に有効であることを示す。 このアグリゲーション技術は、小さなデータサブセットからの予測をうまく組み合わせ、テストデータセット全体の検出精度を高める。 漸進的なテスト手法は、テストプロセス中に量子特徴マッピングに関連する課題を効果的に管理する。 結論: 欠陥予測におけるQMLアルゴリズムの進歩に寄与し, この領域におけるさらなる研究の可能性を明らかにする。 短期活動フレーム(STAF)の具体的なシナリオは、特に機械学習モデルをトレーニングするのにデータセットのサイズが不十分な場合において、ソフトウェアシステムの初期の発達段階におけるバグの多いソフトウェアコミットの早期検出を強調している。

関連論文リスト

• Modeling Quantum Machine Learning for Genomic Data Analysis [12.248184406275405]
  量子機械学習(QML)は進化を続け、多様なアプリケーションに新たな機会を開放している。 ゲノム配列データのバイナリ分類におけるQMLモデルの適用性について,様々な特徴マッピング手法を用いて検討・評価する。 ベンチマークゲノミクスデータセット上で実験を行うために,オープンソースで独立したQiskitベースの実装を提案する。
  論文  参考訳（メタデータ） (2025-01-14T15:14:26Z)
• Quantum vs. Classical Machine Learning Algorithms for Software Defect Prediction: Challenges and Opportunities [4.2793468776829]
  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。
  論文  参考訳（メタデータ） (2024-12-10T17:38:36Z)
• Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
  不確実性定量化は機械学習アプリケーションにおいて重要な要素である。 最新のUQベースラインの集合を実装した新しいベンチマークを導入する。 我々は、11タスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も効果的なアプローチを特定した。
  論文  参考訳（メタデータ） (2024-06-21T20:06:31Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
  我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。 評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T18:23:21Z)
• 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)
• Semisupervised Anomaly Detection using Support Vector Regression with Quantum Kernel [0.0]
  異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。 本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。 量子カーネルを用いたSVRモデルは、RBFカーネルや他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
  論文  参考訳（メタデータ） (2023-08-01T15:00:14Z)
• Inter-case Predictive Process Monitoring: A candidate for Quantum Machine Learning? [0.0]
  この研究は、最近のケース間予測プロセスモニタリングの進歩に基づいている。 予測精度に対するケース間機能の影響を総合的にベンチマークする。 量子機械学習モデルが含まれており、古典的なモデルに勝るものと期待されている。 BPIチャレンジによる実世界のトレーニングデータの評価は、ケース間の特徴が精度の4%以上向上していることを示している。
  論文  参考訳（メタデータ） (2023-06-30T18:33:45Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• MQBench: Towards Reproducible and Deployable Model Quantization Benchmark [53.12623958951738]
  MQBenchは、モデル量子化アルゴリズムの評価、分析、およびデプロイ可能性のベンチマークを行う最初の試みである。 我々は、CPU、GPU、ASIC、DSPを含む実世界のデプロイのための複数のプラットフォームを選択し、最先端の量子化アルゴリズムを評価する。 包括的な分析を行い、直感的、直感的、あるいは反直感的な洞察を見出す。
  論文  参考訳（メタデータ） (2021-11-05T23:38:44Z)
• 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)

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。