Core Concepts
Systematische Untersuchung des Einflusses verschiedener Feinabstimmungseinstellungen auf die Leistung von BERT-ähnlichen Modellen für die Just-In-Time-Defektvorhersage.
Abstract
Diese Studie führt eine systematische empirische Untersuchung durch, um den Einfluss der Einstellungen des Feinabstimmungsprozesses auf BERT-ähnliche Vortrainierte Modelle für die Just-In-Time-Defektvorhersage zu verstehen.
Konkret wird der Einfluss verschiedener Parametereinfriereinstellungen, Parameterinitialisierungseinstellungen und Optimierungsstrategien auf die Leistung von BERT-ähnlichen Modellen für die Just-In-Time-Defektvorhersage untersucht.
Die Ergebnisse zeigen, dass die erste Encoderschicht im BERT-ähnlichen Modell eine entscheidende Rolle spielt und die Projektempfindlichkeit gegenüber Parameterinitialisierungseinstellungen. Ein weiteres bemerkenswertes Ergebnis ist, dass das Hinzufügen einer Gewichtsabfallstrategie zum Adam-Optimierer die Modellleistung leicht verbessern kann.
Darüber hinaus wird der Einsatz verschiedener Featureextraktoren (FCN, CNN, LSTM, Transformer) verglichen, wobei sich zeigt, dass ein einfaches Netzwerk eine hervorragende Leistung erzielen kann.
Diese Ergebnisse bieten neue Erkenntnisse für die Feinabstimmung vortrainierter Modelle für die Just-In-Time-Defektvorhersage. Basierend auf diesen Erkenntnissen wird eine kosteneffiziente Feinabstimmungsmethode auf Basis von LoRA vorgeschlagen, die eine vergleichbare Leistung bei nur einem Drittel des Speicherverbrauchs der ursprünglichen Feinabstimmung erreicht.
Stats
Die Defektquote beträgt in den sechs Projekten zwischen 11,9% und 42,8%.
Die Anzahl der Commits reicht von 7.773 bis 23.912.
Quotes
"Unsere Ergebnisse zeigen die entscheidende Rolle der ersten Encoderschicht im BERT-ähnlichen Modell und die Projektempfindlichkeit gegenüber Parameterinitialisierungseinstellungen."
"Ein weiteres bemerkenswertes Ergebnis ist, dass das Hinzufügen einer Gewichtsabfallstrategie zum Adam-Optimierer die Modellleistung leicht verbessern kann."
"Diese Ergebnisse bieten neue Erkenntnisse für die Feinabstimmung vortrainierter Modelle für die Just-In-Time-Defektvorhersage."