CoCo-GAN: CodeBERT-driven collaborative generative adversarial learning for software defect prediction

doi:10.1007/s11219-026-09747-6

CoCo-GAN: CodeBERT-driven collaborative generative adversarial learning for software defect prediction

2026-03-19

0

PRE

AI

DOI：10.1007/s11219-026-09747-6

原文链接

原文求助

摘要

En 中文

软件缺陷预测（SDP）对于通过在开发过程中早期识别有缺陷的组件来提高软件可靠性至关重要。然而，SDP面临三大挑战：类别不平衡、标记数据稀缺以及项目或版本间的分布差异。为解决这些挑战，我们提出CoCo-GAN，一种基于CodeBERT的协同对抗框架用于SDP。CoCo-GAN由三个主要组件构成：一个由源代码和关联注释构建的双模态CodeBERT输入，以捕获更丰富的语义表示；一个条件生成对抗网络（CGAN），为少数类生成合成样本，缓解数据稀缺和类别不平衡问题；以及一个半监督生成对抗网络（SSGAN），利用未标记数据减少源项目和目标项目间的分布差距。此外，采用一种块正则化的重复半采样（BRHS）策略与集成学习相结合，以更好地利用有限的标记数据并增强训练鲁棒性。在PROMISE基准中的十个Java项目上的实验表明，CoCo-GAN将MFGNN和DP-CCL的分别51.8和53.4的平均F1分数提高到57.8（在项目内缺陷预测WPDP中），以及将43.4和51.0提高到53.1（在跨项目缺陷预测CPDP中）。这种改进源于CoCo-GAN联合利用语义丰富的双模态输入以强化特征表示，使用CGAN生成的少数类样本在极端不平衡下稳定学习，并通过SSGAN对未标记数据的对抗性利用来对齐源-目标领域——解决了先前方法通常忽视或仅部分处理的挑战组合。

Keyword:

Software defect prediction

Semi-supervised learning

Generative adversarial networks

Pre-trained models

Ensemble learning

CoCo-GAN: CodeBERT-driven collaborative generative adversarial learning for software defect prediction

摘要

期刊

机构

引用论文