論文の概要: Multi-stage Dynamic Selection for Cross-Project Defect Prediction

• arxiv url: http://arxiv.org/abs/2607.20151v1
• Date: Wed, 22 Jul 2026 13:52:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.097349
• Title: Multi-stage Dynamic Selection for Cross-Project Defect Prediction
• Title（参考訳）: クロスプロジェクト欠陥予測のための多段階動的選択法
• Abstract要約: クロスプロジェクト欠陥予測では、トレーニングプロジェクトと呼ばれる外部プロジェクトのデータを使用してモデルを構築し、ターゲットプロジェクトからのモジュールを予測する。 従来のCPDP手法は、トレーニングとモデルの性能に影響を与えるターゲットプロジェクトの間の分散シフトに悩まされる。 本稿では,2段階多重分類器(MCS)選択方式を提案することにより,この問題に対処する新しいCPDPフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.352103534432416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-Project Defect Prediction (CPDP) involves building models using data from external projects, called training projects, to predict modules from the target project. However, traditional CPDP methods suffer from the distribution shift between training and target projects that affects the model's performance. This paper proposes a novel CPDP framework that addresses this issue by proposing a two-stage multiple classifier system (MCS) selection scheme: one working at the project level and another at the module level. In the first stage, the framework evaluates multiple possible MCS configurations to find one that covers and generalizes well across multiple training projects. Consequently, the proposal is likely to obtain a diverse set of classifiers, each specialized in tackling software modules with distinct characteristics. The second selection stage operates at test time, selecting the most competent classifiers to predict each new module in the target project. Unlike previous approaches that apply the same classifiers to the entire target project, the proposed framework performs module-level model selection. This way, the system is more robust to changes in distributions between training and target projects because the selected set of classifiers is module-dependent. Our experimental results using 82 projects from four different CPDP benchmark datasets demonstrate that the proposed approach outperforms the state-of-the-art CPDP methods in most scenarios. The code, dataset, and further details about the proposed method are publicly available at https://github.com/jsaj/Multi_DES.
• Abstract（参考訳）: クロスプロジェクト欠陥予測(CPDP)は、トレーニングプロジェクトと呼ばれる外部プロジェクトのデータを使用してモデルを構築し、ターゲットプロジェクトからのモジュールを予測する。 しかし、従来のCPDP手法は、トレーニングとモデルの性能に影響を与えるターゲットプロジェクトの間の分散シフトに悩まされている。 本稿では,プロジェクトレベルでの作業とモジュールレベルでの作業という,2段階のマルチクラス化システム(MCS)の選択方式を提案することにより,この問題に対処する新しいCPDPフレームワークを提案する。 最初の段階では、このフレームワークは複数の可能なMCS構成を評価し、複数のトレーニングプロジェクトをカバーし、一般化する。 その結果,異なる特徴を持つソフトウェアモジュールの処理に特化して,多様な分類器の集合が得られる可能性が示唆された。 第2選択ステージはテスト時に動作し、最も有能な分類器を選択して、ターゲットプロジェクトにおける各新しいモジュールを予測する。 対象プロジェクト全体に対して同じ分類器を適用する以前のアプローチとは異なり、提案フレームワークはモジュールレベルのモデル選択を行う。 このように、システムは、選択された分類器のセットがモジュールに依存しているため、トレーニングとターゲットプロジェクト間の分散の変化に対してより堅牢である。 4つの異なるCPDPベンチマークデータセットから82のプロジェクトを用いた実験結果から,提案手法がほとんどのシナリオにおいて最先端のCPDP法より優れていることが示された。 提案されたメソッドに関するコード、データセット、その他の詳細はhttps://github.com/jsaj/Multi_DESで公開されている。

関連論文リスト

• Large Language Models are Demonstration Pre-Selectors for Themselves [57.101804269100185]
  大規模言語モデル(LLM)を備えたインコンテキスト学習(ICL)は、トレーニングデータ全体から数ショットのデモを選択することで、強力な数ショットのパフォーマンスを提供する。 FEw yet Essential Demonstration prE-selectoRは、デモの代表的なサブセットを特定する新しい事前選択フレームワークである。 FEwでもEssential Demonstration prE-selectoRは、パフォーマンスを維持しながら、トレーニングデータのサイズを20%以上削減できる。
  論文  参考訳（メタデータ） (2025-06-06T12:29:03Z)
• MOSLIM:Align with diverse preferences in prompts through reward classification [6.6431471703308915]
  そこで本研究では,単一報酬モデルとポリシーモデルを用いて多目的アライメント手法MOSLIMを提案する。 MOSLIMは、これらの目的をプロンプトすることで柔軟に制御し、SFTフェーズ中に好みのトレーニングを必要としない。 提案手法の有効性を複数の多目的ベンチマークで実証し,様々な報酬モデルサイズと政策最適化手法に関するアブレーション研究を行う。
  論文  参考訳（メタデータ） (2025-05-24T12:22:21Z)
• S2D: Sorted Speculative Decoding For More Efficient Deployment of Nested Large Language Models [32.68002253527712]
  より高速な推論のためのドラフトモデルをデプロイするための、新しいマルチターゲットシナリオを紹介します。 マルチターゲット設定における正規ベースラインよりも優れた、より効率的なソートされた投機的復号化機構を提案する。
  論文  参考訳（メタデータ） (2024-07-02T05:14:15Z)
• MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
  Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。 MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。 また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
  論文  参考訳（メタデータ） (2024-06-11T17:55:25Z)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Multi-Candidate Speculative Decoding [82.05519287513444]
  大規模な言語モデルは、様々なNLPタスクで印象的な機能を示してきたが、その生成は自動回帰的に時間を要する。 これは高速なドラフトモデルから候補セグメントを生成し、ターゲットモデルによって並列に検証する。 本稿では,複数の候補をドラフトモデルから抽出し,検証のためにバッチにまとめる手法を提案する。 対象モデルの分布を維持しつつ,効率的な多候補検証のためのアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-01-12T17:15:23Z)
• FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
  FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。 我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
  論文  参考訳（メタデータ） (2023-12-13T18:28:09Z)
• Building a Winning Team: Selecting Source Model Ensembles using a Submodular Transferability Estimation Approach [20.86345962679122]
  公開されている事前訓練されたモデルの目標タスクへの転送可能性の推定は、伝達学習タスクにとって重要な場所となっている。 本稿では, モデルアンサンブルの下流タスクへの転送可能性を評価するために, 最適なtranSportベースのsuBmOdular tRaNsferability Metrics(OSBORN)を提案する。
  論文  参考訳（メタデータ） (2023-09-05T17:57:31Z)
• Generalized Semantic Segmentation by Self-Supervised Source Domain Projection and Multi-Level Contrastive Learning [79.0660895390689]
  ソースドメインでトレーニングされたディープネットワークは、未確認のターゲットドメインデータでテストした場合、パフォーマンスが低下している。 汎用セマンティックセグメンテーションのためのドメイン・プロジェクションとコントラシブ・ラーニング(DPCL)手法を提案する。
  論文  参考訳（メタデータ） (2023-03-03T13:07:14Z)
• PAMI: partition input and aggregate outputs for model interpretation [69.42924964776766]
  本研究では、深層学習モデルが局所的な特徴を集約してモデル予測を行うという観察に基づいて、PAMIと呼ばれるシンプルで効果的な可視化フレームワークを提案する。 基本的な考え方は、入力の大多数を隠蔽し、元のモデル予測に対する保存された入力部の相対的な寄与として対応するモデル出力を使用することである。 複数のタスクに対する大規模な実験により,提案手法は,クラス固有の入力領域をより正確に見つけるために,既存の可視化手法よりも優れていることを確認した。
  論文  参考訳（メタデータ） (2023-02-07T08:48:34Z)
• Pareto-wise Ranking Classifier for Multi-objective Evolutionary Neural Architecture Search [15.454709248397208]
  本研究は,多様な設計目的の下で実現可能な深層モデルを見つける方法に焦点を当てる。 オンライン分類器を訓練し、候補と構築された参照アーキテクチャとの優位性関係を予測する。 さまざまな目的や制約の下で、2Mから6Mまでの異なるモデルサイズを持つ多数のニューラルアーキテクチャを見つけます。
  論文  参考訳（メタデータ） (2021-09-14T13:28:07Z)
• Evolutionary Ensemble Learning for Multivariate Time Series Prediction [6.736731623634526]
  MTS予測モデル(PM)を構築する典型的なパイプラインは、利用可能なすべてのチャネルのサブセットを選択することである。 本稿では,パイプライン全体を総合的に最適化する新たな進化的アンサンブル学習フレームワークを提案する。 提案手法を実装し,実世界の2つの応用,すなわち電力消費予測と大気質予測について検討した。
  論文  参考訳（メタデータ） (2021-08-22T07:36:25Z)

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。