面向隐私保护的跨项目缺陷预测的更佳知识增强
机器学习
2024-12-24 v1 软件工程
摘要
跨项目缺陷预测 (CPDP) 面临着一个非平凡的挑战，即通过利用来自其他项目的数据构建可靠的缺陷预测器，尤其是在数据所有者关注数据隐私的情况下。近年来，联邦学习 (FL) 已成为一种新兴范式，通过在多个方之间进行协作训练全局模型而不共享原始数据来保证隐私。尽管将 FL 直接应用于 CPDP 任务提供了一个解决隐私顾虑的有前景的方案，但来自不同公司或组织的专有项目数据异构性将带来模型训练的困难。在本文中，我们在联邦学习框架下研究了数据异构性条件下的隐私保护跨项目缺陷预测。为解决此问题，我们提出了一种名为 FedDP 的新颖知识增强方法，包含两个简单但有效的解决方案：1. 局部异构性感知与2. 全局知识蒸馏。具体而言，我们采用开源项目数据作为蒸馏数据集，并通过知识蒸馏优化具有异构性感知的局部模型集合。实验在两个数据集的 19 个项目上表明，我们的方法显著优于基线方法。
引用
@article{arxiv.2412.17317,
title = {Better Knowledge Enhancement for Privacy-Preserving Cross-Project Defect Prediction},
author = {Yuying Wang and Yichen Li and Haozhao Wang and Lei Zhao and Xiaofang Zhang},
journal= {arXiv preprint arXiv:2412.17317},
year = {2024}
}