基于双模变更表示学习的即时软件缺陷预测
软件工程
2024-10-17 v1 人工智能
摘要
为了在早期阶段预测软件缺陷，研究人员提出了即时缺陷预测（JIT-DP）以识别代码提交中潜在的缺陷。现有方法仅学习源代码中的编辑，未考虑变更背后的自然语言意图，这一局限性阻碍了其捕捉更深层语义的能力。为此，我们引入一种新的双模变更预训练模型——BiCC-BERT。BiCC-BERT 在代码变更语料库上进行预训练，以学习双模语义表示。为融合语料库中的提交消息，我们设计了一种新的预训练目标，即被替换消息识别（RMI），用于学习提交消息与代码变更之间的语义关联。随后，我们将BiCC-BERT集成到JIT-DP中，提出一种新的缺陷预测方法——JIT-BiCC。通过利用BiCC-BERT提供的双模表示，JIT-BiCC能够捕捉更深远的变更语义。我们使用27,391个代码变更训练JIT-BiCC，并将其性能与8种最先进的JIT-DP方法进行比较。结果表明，JIT-BiCC超越了所有基线方法，在F1分数上提升了10.8%，这凸显了其在学习JIT-DP中双模语义方面的有效性。
引用
@article{arxiv.2410.12107,
title = {Just-In-Time Software Defect Prediction via Bi-modal Change Representation Learning},
author = {Yuze Jiang and Beijun Shen and Xiaodong Gu},
journal= {arXiv preprint arXiv:2410.12107},
year = {2024}
}
备注
Accepted by JSS (The Journal of Systems & Software)