面向不平衡数据的深度增量学习及时软件缺陷预测
软件工程
2023-10-20 v1
摘要
本工作源于对先前即时软件缺陷预测（JIT-SDP）模型的三个观察。首先，先前研究仅将 JIT-SDP 问题视为分类问题。其次，先前 JIT-SDP 研究未考虑类平衡处理可能改变软件变更集数据的底层特征。第三，先前 JIT-SDP 增量学习模型仅处理了单一概念漂移来源，即类不平衡演化。我们提出了一种称为 CPI-JIT 的用于 JIT-SDP 的增量学习框架。首先，除分类建模组件外，该框架还包含一个时间序列预测建模组件，以学习变更集中的时间相互依赖关系。其次，该框架具有一种基于 SMOTE 与主曲线、称为 SMOTE-PC 的专门设计的过采样平衡技术。SMOTE-PC 保留了软件变更集数据的底层分布。在该框架中，我们提出了一种称为 DeepICP 的增量深度神经网络模型。通过使用 \numprojs 个软件项目的评估，我们表明：1）SMOTE-PC 提升了模型的预测性能；2）对于某些软件项目，利用软件变更集的时间相互依赖关系有益于缺陷预测；3）主曲线概括了变更集数据的底层分布，并揭示了一种新的概念漂移来源，而 DeepICP 模型正是为适应此漂移而提出。
引用
@article{arxiv.2310.12289,
title = {Deep Incremental Learning of Imbalanced Data for Just-In-Time Software Defect Prediction},
author = {Yunhua Zhao and Hui Chen},
journal= {arXiv preprint arXiv:2310.12289},
year = {2023}
}