评估 D-Wave 量子退火系统在软件缺陷预测中特征子集选择中的性能
软件工程
2024-10-23 v1 机器学习
摘要
早期预测软件缺陷不仅能提高软件的质量和可靠性，还能降低开发成本。虽然可以运用各种机器学习技术来创建软件缺陷预测模型，但这些模型的有效性和准确性常常受到特征子集选择的影响。由于寻找最优特征子集计算量巨大，常常采用启发式和元启发式方法在合理时间内寻找近最优解。最近，量子计算范式量子退火 (QA) 被用于求解复杂优化问题，这为使用 QA 机器来解决特征子集选择问题提供了可能。虽然已提出多种针对特征子集选择的 QA 策略，但关于 QA 机器在软件缺陷预测中是否可行的探索仍很少。本研究考察了 D-Wave QA 系统用于该任务的潜力，具体做法是将基于互信息 (MI) 的过滤方法形式化为优化问题，并利用 D-Wave 量子处理单元 (QPU) 求解器作为 QA 求解器进行特征子集选择。我们使用来自 AEEM、JIRA 和 NASA 项目的多个软件缺陷数据集对该方法进行评估。我们也利用 D-Wave 的经典求解器进行比较分析。实验结果表明，基于 QA 的特征子集选择可以提高软件缺陷预测效果。尽管 D-Wave QPU 求解器在软件缺陷预测中表现出竞争力的预测性能，但相较于其经典对手显著缩短了识别最佳特征子集所需的时间。
引用
@article{arxiv.2410.16469,
title = {Evaluating the Performance of a D-Wave Quantum Annealing System for Feature Subset Selection in Software Defect Prediction},
author = {Ashis Kumar Mandal and Md Nadim and Chanchal K. Roy and Banani Roy and Kevin A. Schneider},
journal= {arXiv preprint arXiv:2410.16469},
year = {2024}
}