增加度量元的迁移学习跨项目软件缺陷预测

• 作者: 吴迪 吴飞 娄丰鹏 荆晓远
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 跨项目 机器学习 软件缺陷预测 迁移学习 分类器
• 年，卷（期）: 2018,（7）
• 所属期刊栏目: 安全与防范
• 页码范围: 103-107
• 页数: 5页
• 分类号: TP301.6
• 字数: 3442字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2018.07.022

摘要

目前,结合机器学习方法和软件缺陷预测技术自动地学习模型来发现软件中的缺陷,已经成为跨项目缺陷预测的主要方法.由于源项目和目标项目之间的特征分布差异,跨项目相关性预测的表现通常较差.针对该问题,可以使用从源项目中提取知识并将其转移到目标项目的转移学习技术来提高预测性能,并提出了一种增加度量元的迁移学习方法进行跨项目的软件缺陷预测.该方法首先使用分类器对数据集进行一次项目内预测,并将预测结果作为新的度量元加入数据集.然后采用迁移学习方法将源项目中提取的知识转移至目标项目,并使用分类器预测目标项目.在AEEEM数据集上的实验结果表明,该算法提高了跨项目软件缺陷预测效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	荆晓远	南京邮电大学自动化学院	52	99	5.0	6.0
2	吴迪	武汉大学计算机学院软件工程国家重点实验室	35	112	6.0	9.0
3	吴飞	南京邮电大学自动化学院	33	90	5.0	7.0
4	娄丰鹏	南京邮电大学计算机学院	1	0	0.0	0.0