要約
ソフトウェアの欠陥予測は、欠陥の早期特定と軽減を可能にし、それによってソフトウェア障害のコストと影響を軽減するため、ソフトウェア品質保証の重要な側面です。
過去数年にわたり、量子コンピューティングは、複数の領域を変革できるエキサイティングなテクノロジーとして台頭してきました。
量子機械学習 (QML) もその 1 つです。
QML アルゴリズムは、量子コンピューティングの力を利用して、従来のアルゴリズムよりも優れた効率と有効性で複雑な問題を解決します。
ただし、ソフトウェアの欠陥を予測するためのソフトウェアエンジニアリングへの応用については、まだ調査の必要があります。
この研究では、20 個のソフトウェア欠陥データセットに対する 3 つの QML アルゴリズムと 5 つの古典的機械学習 (CML) アルゴリズムのパフォーマンスを比較することで、研究のギャップを埋めることに取り組みました。
私たちの調査では、QML アルゴリズムと CML アルゴリズムの比較シナリオが報告され、ソフトウェアの欠陥を予測するためのよりパフォーマンスが高く一貫したアルゴリズムが特定されます。
また、この調査の実行中に直面した経験に基づいて、実際のソフトウェア欠陥データセットに QML アルゴリズムを採用する際の課題と今後の方向性についても強調します。
この研究の結果は、ソフトウェア システムを信頼性が高くバグのないものにすることで、実務者や研究者がこの研究領域でさらに進歩するのに役立ちます。
要約(オリジナル)
Software defect prediction is a critical aspect of software quality assurance, as it enables early identification and mitigation of defects, thereby reducing the cost and impact of software failures. Over the past few years, quantum computing has risen as an exciting technology capable of transforming multiple domains; Quantum Machine Learning (QML) is one of them. QML algorithms harness the power of quantum computing to solve complex problems with better efficiency and effectiveness than their classical counterparts. However, research into its application in software engineering to predict software defects still needs to be explored. In this study, we worked to fill the research gap by comparing the performance of three QML and five classical machine learning (CML) algorithms on the 20 software defect datasets. Our investigation reports the comparative scenarios of QML vs. CML algorithms and identifies the better-performing and consistent algorithms to predict software defects. We also highlight the challenges and future directions of employing QML algorithms in real software defect datasets based on the experience we faced while performing this investigation. The findings of this study can help practitioners and researchers further progress in this research domain by making software systems reliable and bug-free.
arxiv情報
著者 | Md Nadim,Mohammad Hassan,Ashis Kumar Mandal,Chanchal K. Roy |
発行日 | 2024-12-10 17:38:36+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google