A comprehensible analysis of the efficacy of Ensemble Models for Bug Prediction

要約

ソフトウェア システムが正確であることは、効果的に動作するために不可欠です。
そのため、ソフトウェアのバグを発見して修正することが重要な開発タスクになります。
ソフトウェア エンジニアリングにおける人工知能 (AI) 技術の使用の増加により、ソフトウェア開発者がコード内の潜在的なバグを特定するのを支援できる多くの技術が開発されました。
このペーパーでは、Java クラスにバグがある可能性を予測するための、2 つの AI ベースのアプローチ、つまり単一 AI モデルとアンサンブル AI モデルの有効性をわかりやすく比較および分析します。
モデルのトレーニングと評価には、2 つのオープンソース Apache Commons Project の Java コンポーネントを使用しました。
私たちの実験結果は、AI モデルのアンサンブルが個々の AI モデルを適用した結果よりも優れたパフォーマンスを発揮できることを示しています。
また、アンサンブル AI モデルのパフォーマンス向上に寄与する要因についての洞察も提供します。
提示された結果は、アンサンブル AI モデルを使用してバグ予測結果を強化し、最終的にはより信頼性の高いソフトウェア システムを実現できる可能性を示しています。

要約(オリジナル)

The correctness of software systems is vital for their effective operation. It makes discovering and fixing software bugs an important development task. The increasing use of Artificial Intelligence (AI) techniques in Software Engineering led to the development of a number of techniques that can assist software developers in identifying potential bugs in code. In this paper, we present a comprehensible comparison and analysis of the efficacy of two AI-based approaches, namely single AI models and ensemble AI models, for predicting the probability of a Java class being buggy. We used two open-source Apache Commons Project’s Java components for training and evaluating the models. Our experimental findings indicate that the ensemble of AI models can outperform the results of applying individual AI models. We also offer insight into the factors that contribute to the enhanced performance of the ensemble AI model. The presented results demonstrate the potential of using ensemble AI models to enhance bug prediction results, which could ultimately result in more reliable software systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google