論文の概要: Software Defect Prediction using Autoencoder Transformer Model

• arxiv url: http://arxiv.org/abs/2510.10840v1
• Date: Sun, 12 Oct 2025 23:03:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.128346
• Title: Software Defect Prediction using Autoencoder Transformer Model
• Title（参考訳）: オートエンコーダ変換器モデルを用いたソフトウェア欠陥予測
• Authors: Seshu Barma, Mohanakrishnan Hariharan, Satish Arvapalli,
• Abstract要約: AI-MLを使用した品質エンジニアリングアプローチでは、AI-MLを使用して、欠陥を予測してソフトウェア品質評価を強化する。 我々は、適応微分進化(ADE)に基づく量子変分オートエンコーダ変換(QVAET)モデル(ADE-QVAET)を開発する。 ADE-QVAETは、差分進化(DE)MLモデルと比較して、98.08%、92.45%、94.67%、98.12%の精度、精度、リコール、F1スコアを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An AI-ML-powered quality engineering approach uses AI-ML to enhance software quality assessments by predicting defects. Existing ML models struggle with noisy data types, imbalances, pattern recognition, feature extraction, and generalization. To address these challenges, we develop a new model, Adaptive Differential Evolution (ADE) based Quantum Variational Autoencoder-Transformer (QVAET) Model (ADE-QVAET). ADE combines with QVAET to obtain high-dimensional latent features and maintain sequential dependencies, resulting in enhanced defect prediction accuracy. ADE optimization enhances model convergence and predictive performance. ADE-QVAET integrates AI-ML techniques such as tuning hyperparameters for scalable and accurate software defect prediction, representing an AI-ML-driven technology for quality engineering. During training with a 90% training percentage, ADE-QVAET achieves high accuracy, precision, recall, and F1-score of 98.08%, 92.45%, 94.67%, and 98.12%, respectively, when compared to the Differential Evolution (DE) ML model.
• Abstract（参考訳）: AI-MLを使用した品質エンジニアリングアプローチでは、AI-MLを使用して、欠陥を予測してソフトウェア品質評価を強化する。 既存のMLモデルは、ノイズの多いデータタイプ、不均衡、パターン認識、特徴抽出、一般化に苦労している。 これらの課題に対処するため,適応微分進化(ADE)に基づく量子変分オートエンコーダ・トランスフォーマ(QVAET)モデル(ADE-QVAET)を開発した。 ADEはQVAETと組み合わせて高次元の潜伏特性を取得し、シーケンシャルな依存関係を維持し、欠陥予測の精度を向上する。 ADE最適化はモデル収束と予測性能を向上させる。 ADE-QVAETは、スケーラブルで正確なソフトウェア欠陥予測のためにハイパーパラメータをチューニングするなどのAI-ML技術を統合し、品質エンジニアリングのためのAI-ML駆動技術を表している。 精度、精度、リコール、F1スコアはそれぞれ98.08%、92.45%、94.67%、98.12%である。

関連論文リスト

• Enhancing Software Quality Assurance with an Adaptive Differential Evolution based Quantum Variational Autoencoder-Transformer Model [0.0]
  我々は適応微分進化に基づく量子変分オートエンコーダ変換モデル(ADE-QVAET)を開発した。 ADE-QVAETは、QVAET(Quantum Variational Autoencoder-Transformer)を組み合わせることで、高次元の潜伏特性を取得し、コンテキスト関係とともにシーケンシャルな依存関係を維持する。 提案されたADE-QVAETモデルは、トレーニングパーセンテージ(TP)90の98.08%、92.45%、94.67%、98.12%の精度、精度、リコール、f1スコアを達成する。
  論文  参考訳（メタデータ） (2025-03-20T16:55:38Z)
• Model-Agnostic Knowledge Guided Correction for Improved Neural Surrogate Rollout [3.006104092368596]
  本稿では,ニューラルサロゲート,RL決定モデル,物理シミュレータを組み合わせることで,ロールアウト誤差を大幅に低減するモデルに依存しないコスト認識モデルを提案する。 HyPERは、物理的条件の変化に適応し、騒音の破損に抵抗するインテリジェントなポリシーを学ぶ。
  論文  参考訳（メタデータ） (2025-03-13T05:00:23Z)
• Joint Explainability-Performance Optimization With Surrogate Models for AI-Driven Edge Services [3.8688731303365533]
  本稿では,複雑なAIモデルの予測精度と代理モデルによる近似とのバランスについて検討する。 我々は,多目的最適化(MOO)に基づく新しいアルゴリズムを導入し,複雑なモデルの予測誤差と,その出力とサロゲートの誤差を同時に最小化する。
  論文  参考訳（メタデータ） (2025-03-10T19:04:09Z)
• GenAI4UQ: A Software for Inverse Uncertainty Quantification Using Conditional Generative Models [12.162599515682786]
  GenAI4UQは、モデルのキャリブレーション、パラメータ推定、アンサンブル予測における逆不確実性定量化のためのソフトウェアパッケージである。 GenAI4UQは、計算集約的な反復過程を直接学習されたマッピングに置き換えることで、モデル入力パラメータの効率的な校正を可能にする。
  論文  参考訳（メタデータ） (2024-12-09T22:26:23Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
  非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。 NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)

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。