PulseAugur
中
实时 08:20:53
English(EN) Multi-stage Dynamic Selection for Cross-Project Defect Prediction

新的CPDP框架使用两阶段分类器选择来改进缺陷预测

作者 PulseAugur 编辑部 · [1 个来源] ·

本文介绍了一种新颖的跨项目缺陷预测（CPDP）框架，旨在缓解因训练项目和目标项目之间分布变化导致的性能下降。所提出的系统采用一个两阶段的多分类器系统（MCS）选择过程。第一阶段识别一个在各种训练项目中泛化良好的MCS配置，旨在实现分类器的多样化专业化。第二阶段在测试时运行，逐模块地选择目标项目中能力最强的分类器，增强对分布变化的鲁棒性。在四个基准数据集的82个项目上进行的实验结果表明，在许多场景下，这种模块级选择方法优于现有的最先进的CPDP方法。 AI

影响 通过解决训练项目和目标项目之间的分布变化，提高了软件缺陷预测的准确性。

排序理由 该集群包含一篇研究论文，详细介绍了软件工程中缺陷预测的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的CPDP框架使用两阶段分类器选择来改进缺陷预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Juscimara G. Avelino, Juscelino S. A. Junior, George D. C. Cavalcanti, Rafael M. O. Cruz ·

    跨项目缺陷预测的多阶段动态选择

    arXiv:2607.20151v1 Announce Type: cross Abstract: Cross-Project Defect Prediction (CPDP) involves building models using data from external projects, called training projects, to predict modules from the target project. However, traditional CPDP methods suffer from the distributio…

相关实体

相关话题