缺陷报告太少？探索数据增强以改善基于变更集的缺陷定位

基于 transformer（如 BERT、RoBERTa）的现代深度学习（DL）架构在多项自然语言任务上展现出性能提升。尽管此类 DL 模型在软件工程应用中显示出巨大潜力，但它们常受限于训练数据不足。尤其受限的是需要项目特定数据的应用，例如缺陷定位，其目标是推荐用于修复新提交缺陷报告的代码。用于缺陷定位的深度学习模型需要大量已修复缺陷报告的训练集，而即使在热门且活跃开发的软件项目中，这类数据数量也有限。本文中，我们考察了在基于 transformer 的 DL 模型上使用合成训练数据的效果，这些模型执行一种更复杂的缺陷定位变体，旨在为每个缺陷报告检索引发缺陷的变更集。为生成高质量合成数据，我们提出了作用于缺陷报告不同组成成分上的新型数据增强算子。我们还描述了一种数据平衡策略，旨在创建更能反映整个代码库的补全缺陷报告语料，因为用作训练数据的现有缺陷报告通常只涉及代码库的一小部分。