BiLO-CPDP：用于跨项目缺陷预测中自动化模型发现的双层规划
软件工程
2020-09-01 v1
摘要
跨项目缺陷预测 (CPDP) 通过将迁移学习器与分类器结合并从相似项目借用数据，在目标项目可用数据不足时已成为一种有前景的软件缺陷预测方法。然而，开发此类模型具有挑战性，因为难以确定迁移学习器与分类器的正确组合及其最优超参数设置。本文中，我们提出了一个名为 BiLO-CPDP 的工具，它是首个从双层规划视角形式化自动化 CPDP 模型发现的工具。具体而言，双层规划以分层方式通过两个嵌套层级进行优化。上层的优化例程用于搜索迁移学习器与分类器的正确组合，而嵌套的下层优化例程旨在优化相应的超参数设置。为评估 BiLO-CPDP，我们在 20 个项目上进行了实验，将其与共计 21 种现有 CPDP 技术、其单级优化变体以及最先进的自动化机器学习工具 Auto-Sklearn 进行比较。实证结果表明，BiLO-CPDP 在 70% 的项目上胜过所有其他 21 种现有 CPDP 技术，同时在所有情况下都大幅优于 Auto-Sklearn 及其单级优化变体。此外，BiLO-CPDP 中独特的双层形式化还允许向上层分配更多预算，从而显著提升性能。
引用
@article{arxiv.2008.13489,
title = {BiLO-CPDP: Bi-Level Programming for Automated Model Discovery in Cross-Project Defect Prediction},
author = {Ke Li and Zilin Xiang and Tao Chen and Kay Chen Tan},
journal= {arXiv preprint arXiv:2008.13489},
year = {2020}
}