融合专家知识与深度学习技术的即时缺陷预测
软件工程
2024-03-19 v1 机器学习
摘要
即时（JIT）缺陷预测旨在自动预测一次提交是否存在缺陷，近年来已被广泛研究。通常，大多数研究可分为两类：1）使用传统机器学习分类器和手工特征的简单模型；2）使用深度学习技术从提交内容中自动提取特征的复杂模型。简单模型使用的手工特征基于专家知识，但可能无法完全表示提交的语义含义。另一方面，复杂模型使用的基于深度学习的特征表示了提交的语义含义，但可能无法反映有用的专家知识。简单模型和复杂模型在某种程度上似乎互补。为了利用简单模型和复杂模型的优势，我们提出了一个模型融合框架，在特征层面采用早期融合，在决策层面采用后期融合。我们通过采用最佳的早期和后期融合策略提出了 SimCom++。实验结果表明，SimCom++ 的性能可以显著超越基线 5.7--26.9\%。此外，我们的实验结果证实了简单模型和复杂模型彼此互补。
引用
@article{arxiv.2403.11079,
title = {Bridging Expert Knowledge with Deep Learning Techniques for Just-In-Time Defect Prediction},
author = {Xin Zhou and DongGyun Han and David Lo},
journal= {arXiv preprint arXiv:2403.11079},
year = {2024}
}
备注
48 pages