Enhancing Software Quality Assurance with an Adaptive Differential Evolution based Quantum Variational Autoencoder-Transformer Model

要約

AIを搭載した品質エンジニアリングプラットフォームは、人工知能を使用して、自動化された欠陥予測と最適化されたパフォーマンスを介してソフトウェアの品質評価を高め、機能抽出を改善します。
既存のモデルは、不均衡、パターン認識の複雑さ、効果のない特徴抽出、および一般化の弱点とともに、ノイズの多いデータ型に対処するのが困難になります。
この研究でこれらの既存の課題を克服するために、量子変異性の自動エンコーダートランスフォーカー（QVAET）を組み合わせて高次元の潜在的特徴を獲得し、コンテキスト依存関係を維持し、順番に依存して順番に維持するための量子変異体トランスフォーカー（QVAET）を組み合わせた、新しいモデル適応微分進化に基づく量子変動変換モデル（ADE-QVAET）を開発します。
適応微分進化（ADE）最適化は、モデルの収束と予測パフォーマンスを強化する適応パラメーターチューニング方法を利用します。
ADE-QVAETは、高度なAI技術を統合して、質の高いエンジニアリングアプリケーション向けのトップレベルのAI駆動型テクノロジーを表すスケーラブルで正確なソフトウェア欠陥予測の堅牢なソリューションを作成します。
提案されているADE-QVAETモデルは、98.08％、92.45％、94.67％、および98.12％のトレーニング率（TP）90の間に、高精度、精度、リコール、およびF1スコアを達成します。

要約(オリジナル)

An AI-powered quality engineering platform uses artificial intelligence to boost software quality assessments through automated defect prediction and optimized performance alongside improved feature extraction. Existing models result in difficulties addressing noisy data types together with imbalances, pattern recognition complexities, ineffective feature extraction, and generalization weaknesses. To overcome those existing challenges in this research, we develop a new model Adaptive Differential Evolution based Quantum Variational Autoencoder-Transformer Model (ADE-QVAET), that combines a Quantum Variational Autoencoder-Transformer (QVAET) to obtain high-dimensional latent features and maintain sequential dependencies together with contextual relationships, resulting in superior defect prediction accuracy. Adaptive Differential Evolution (ADE) Optimization utilizes an adaptive parameter tuning method that enhances model convergence and predictive performance. ADE-QVAET integrates advanced AI techniques to create a robust solution for scalable and accurate software defect prediction that represents a top-level AI-driven technology for quality engineering applications. The proposed ADE-QVAET model attains high accuracy, precision, recall, and f1-score during the training percentage (TP) 90 of 98.08%, 92.45%, 94.67%, and 98.12%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google