.png){kind=icon}
返回
A transformer-based stacked ensemble framework for software defect prediction
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-026-02696-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件缺陷数据集通常表现出显著的类别不平衡，阻碍了传统预测模型的有效性。在我们的基准数据集中，有缺陷模块与无缺陷模块的比例大致在1:4到1:11之间，这严重影响了分类器的学习。为缓解这一问题，我们采用SMOTETomek混合重采样方法，以获得约1:1的平衡训练分布。在此基础上，我们进一步设计了一个两层级联框架，将经典机器学习分类器与基于Transformer的元学习器相结合。与现有采用静态或固定权重聚合的级联方法不同，所提出的框架引入了一个基于Transformer的元学习器，该学习器利用动态自注意力机制自适应地组合每个软件模块的基础分类器输出。据我们所知，这是软件缺陷预测领域首个用动态注意力融合替代静态聚合的级联框架，通过自注意力机制整合多样基础分类器输出，使模型能够学习复杂的模型间依赖关系。在NASA MDP仓库的八个基准数据集上进行的实验表明，我们的框架在性能上优于当前最先进的方法。具体而言，所提出的模型在AUC、F1-score和MCC方面分别实现了最高19.6%、25.2%和22.6%的提升，相较于DE-SDP和SDAEsTSE等领先的级联方法。这些结果突显了我们的架构在处理类别不平衡的软件缺陷预测任务时的鲁棒性和泛化能力。
Keyword:
Software defect prediction
Ensemble learning
class imbalance
machine learning
neural network
期刊
IF:
3.1
论文数:
568
被引数:
5.2K
机构
引用论文
Cost-sensitive boosting neural networks for software defect prediction基于代价敏感boosting神经网络的软件缺陷预测
PREAI
分享收藏A systematic study of the class imbalance problem in convolutional neural networks卷积神经网络中类不平衡问题的系统研究.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏
分享收藏分享收藏
查看更多内容