基于元学习的跨项目缺陷预测系统性研究
软件工程
2019-06-03 v2
摘要
基于外部项目数据预测目标项目中的缺陷称为跨项目缺陷预测（CPDP）。已有若干方法被提出以改善 CPDP 模型的预测性能。然而，缺乏对最先进方法之间的比较。此外，先前工作表明，最适合一个项目的方法可能随被预测项目的不同而变化。这使得选择使用哪种方法变得困难。我们提供了对源自最先进方法的 31 种 CPDP 方法的广泛实验比较，应用于 15 个开源软件项目的 47 个版本。四种方法因在多个数据集上呈现最佳性能而脱颖而出。然而，其中最适合的方法仍随被预测项目的不同而变化。因此，我们提出并评估了一种旨在自动为某项目选择并推荐最合适 CPDP 方法的元学习解决方案。我们的结果表明该元学习解决方案能够从以往经验中学习并动态推荐合适的方法。然而，与基方法相比，所提方案的性能差异较小。这些结果提供了关于将元学习解决方案应用于 CPDP 的可能性与局限性的宝贵认识。
引用
@article{arxiv.1802.06025,
title = {A Systematic Study of Cross-Project Defect Prediction With Meta-Learning},
author = {Faimison Porto and Leandro Minku and Emilia Mendes and Adenilso Simao},
journal= {arXiv preprint arXiv:1802.06025},
year = {2019}
}