Der Artikel beschreibt einen Ansatz zur Kombination von einfachen Modellen, die auf Expertenwissen basieren, und komplexen Modellen, die Deep Learning-Techniken verwenden, um die Vorhersage von Softwarefehlern in Commit-Änderungen zu verbessern.
Die Autoren stellen zunächst ihre eigenen Modelle vor - ein einfaches Modell "Sim" basierend auf 14 handgefertigten Merkmalen und ein komplexes Modell "Com" basierend auf automatisch extrahierten Merkmalen aus Commit-Inhalten.
Anschließend präsentieren sie ein Rahmenwerk, um diese beiden Modelle effektiv zu kombinieren. Dabei werden verschiedene Strategien für eine frühe Fusion (auf Merkmalsebene) und eine späte Fusion (auf Entscheidungsebene) untersucht. Das beste Kombinationsmodell, das sie "SimCom++" nennen, übertrifft die Baseline-Modelle deutlich um 5,7-26,9% in Bezug auf verschiedene Leistungskennzahlen.
Die Ergebnisse zeigen, dass die einfachen und komplexen Modelle sich in der Tat ergänzen und die Kombination beider Ansätze zu besseren Vorhersageergebnissen führt.
To Another Language
from source content
arxiv.org
Ключові висновки, отримані з
by Xin Zhou,Don... о arxiv.org 03-19-2024
https://arxiv.org/pdf/2403.11079.pdfГлибші Запити