論文の概要: ARFT-Transformer: Modeling Metric Dependencies for Cross-Project Aging-Related Bug Prediction

• arxiv url: http://arxiv.org/abs/2601.14731v1
• Date: Wed, 21 Jan 2026 07:41:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.279929
• Title: ARFT-Transformer: Modeling Metric Dependencies for Cross-Project Aging-Related Bug Prediction
• Title（参考訳）: ARFT変換器:クロスプロジェクト時効バグ予測における平均依存性のモデル化
• Authors: Shuning Ge, Fangyun Qin, Xiaohui Wan, Yang Liu, Qian Dai, Zheng Zheng,
• Abstract要約: ソフトウェア老化研究には,プロジェクトAging-Related Bugs (ARB) 予測が導入された。 本稿では,ARFT-Transformerを提案する。 本稿では,ARFT-Transformer が単一ソースおよび複数ソースのケースにおいて,最先端のプロジェクト ARB 予測手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.486315741063492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software systems that run for long periods often suffer from software aging, which is typically caused by Aging-Related Bugs (ARBs). To mitigate the risk of ARBs early in the development phase, ARB prediction has been introduced into software aging research. However, due to the difficulty of collecting ARBs, within-project ARB prediction faces the challenge of data scarcity, leading to the proposal of cross-project ARB prediction. This task faces two major challenges: 1) domain adaptation issue caused by distribution difference between source and target projects; and 2) severe class imbalance between ARB-prone and ARB-free samples. Although various methods have been proposed for cross-project ARB prediction, existing approaches treat the input metrics independently and often neglect the rich inter-metric dependencies, which can lead to overlapping information and misjudgment of metric importance, potentially affecting the model's performance. Moreover, they typically use cross-entropy as the loss function during training, which cannot distinguish the difficulty of sample classification. To overcome these limitations, we propose ARFT-Transformer, a transformer-based cross-project ARB prediction framework that introduces a metric-level multi-head attention mechanism to capture metric interactions and incorporates Focal Loss function to effectively handle class imbalance. Experiments conducted on three large-scale open-source projects demonstrate that ARFT-Transformer on average outperforms state-of-the-art cross-project ARB prediction methods in both single-source and multi-source cases, achieving up to a 29.54% and 19.92% improvement in Balance metric.
• Abstract（参考訳）: 長期間動作するソフトウェアシステムはソフトウェア老化に悩まされることが多いが、これは一般的にAging-Related Bugs (ARB)によって引き起こされる。 開発初期段階のABBのリスクを軽減するため、ソフトウェア老化研究にALB予測が導入されている。 しかし, ARBの収集が困難であったため, プロジェクト内における ARB 予測はデータ不足の課題に直面しており, クロスプロジェクト ARB 予測の提案につながっている。 この課題は2つの大きな課題に直面する。 1)ソースプロジェクトとターゲットプロジェクトとの違いによるドメイン適応問題 2) ARB-prone と ARB-free の厳密なクラス不均衡が認められた。 クロスプロジェクトABB予測のための様々な手法が提案されているが、既存の手法では、入力メトリクスを独立して扱い、しばしばリッチなメトリック間の依存関係を無視する。 さらに、彼らは通常、トレーニング中の損失関数としてクロスエントロピーを使用し、サンプル分類の難しさを区別することができない。 これらの制限を克服するために,ARFT-Transformerを提案する。これはトランスフォーマーベースのクロスプロジェクト ARB 予測フレームワークで,メトリックレベルのマルチヘッドアテンション機構を導入し,Focal Loss 関数を組み込んで,クラス不均衡を効果的に処理する。 3つの大規模なオープンソースプロジェクトで実施された実験では、ARFT-Transformerは単一のソースとマルチソースの両方で最先端のプロジェクトARB予測手法より優れており、平均で29.54%と19.92%の改善が達成されている。

関連論文リスト

• Information-Theoretic Reward Modeling for Stable RLHF: Detecting and Mitigating Reward Hacking [78.69179041551014]
  本稿では,インフォメーション・ボトルネックの原理に基づく情報理論報酬モデリングフレームワークを提案する。 InfoRMは、報酬の一般化を緩和するために、嗜好に無関係な情報をフィルタリングする。 IBLは分散レベルの正規化であり、そのような偏差を罰し、最適化の展望を効果的に拡張する。
  論文  参考訳（メタデータ） (2025-10-15T15:51:59Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• ReviBranch: Deep Reinforcement Learning for Branch-and-Bound with Revived Trajectories [7.152780225874955]
  ReviBranchは、分岐決定と対応するグラフ状態の間の明確な歴史的対応を復活させることにより、再生された軌道を構成する新しい深層RLフレームワークである。 トレーニング中、ReviBranchはエージェントがブランチプロセス内の完全な構造的進化と時間的依存関係から学ぶことができる。 ReviBranchは最先端のRL法よりも優れており、大規模インスタンスではB&Bノードを4.0%、LPを2.2%削減している。
  論文  参考訳（メタデータ） (2025-08-24T17:13:41Z)
• Data Augmentation with Variational Autoencoder for Imbalanced Dataset [1.2289361708127877]
  不均衡分布からの学習は予測モデリングにおいて大きな課題となる。 VAEとスムーズなブートストラップを組み合わせた新しいデータ生成手法を開発し,IRの課題に対処する。
  論文  参考訳（メタデータ） (2024-12-09T22:59:03Z)
• Towards Fault Tolerance in Multi-Agent Reinforcement Learning [10.314885753121905]
  エージェントフォールトはマルチエージェント強化学習(MARL)アルゴリズムの性能に重大な脅威をもたらす。 本稿では,MARLの耐故障性を向上させるために,最適化されたモデルアーキテクチャとトレーニングデータサンプリング戦略を併用する。
  論文  参考訳（メタデータ） (2024-11-30T16:56:29Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Distributionally and Adversarially Robust Logistic Regression via Intersecting Wasserstein Balls [8.720733751119994]
  提案手法は,提案手法が標準データセットのベンチマーク手法よりも優れていることを示す。 前者からインスピレーションを得て、ロジスティック回帰のためにAROのワッサーシュタイン DR について検討し、トラクタブル凸最適化の修正が認められることを示す。
  論文  参考訳（メタデータ） (2024-07-18T15:59:37Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)

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。