更简单的软件分析超参数优化：为何、如何、何时？
软件工程
2021-04-23 v5 人工智能
机器学习
摘要
我们如何使软件分析更简单、更快速？一种方法是将分析的复杂度与所探索数据的内在复杂度相匹配。例如，超参数优化器为数据挖掘器寻找控制设置，以改进通过软件分析生成的预测。有时，非常快速的超参数优化可通过“DODGE-ing”实现；即简单地避开那些导致相似结论的设置。但何时使用这种简单方法是明智的，何时又必须使用更复杂（且慢得多）的优化器？为了回答此问题，我们将超参数优化应用于 120 个 SE 数据集，这些数据集探索了坏味检测、预测 Github 问题关闭时间、缺陷报告分析、缺陷预测以及数十个其他非 SE 问题。我们发现简单的 DODGE 在具有低“内在维度”（u ~ 3）的数据集上效果最好，而在高维数据（u > 8）上表现很差。此处看到的几乎所有 SE 数据都具有内在低维性，表明 DODGE 适用于许多 SE 分析任务。
引用
@article{arxiv.1912.04061,
title = {Simpler Hyperparameter Optimization for Software Analytics: Why, How, When?},
author = {Amritanshu Agrawal and Xueqi Yang and Rishabh Agrawal and Rahul Yedida and Xipeng Shen and Tim Menzies},
journal= {arXiv preprint arXiv:1912.04061},
year = {2021}
}
备注
15 pages