.png){kind=icon}
返回
Cost-adaptive multi-level semantic feature learning for source code based bug severity prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.scico.2026.103444.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
缺陷严重性预测在软件开发中发挥着关键作用，能够实现及时的缺陷管理。依赖缺陷报告的传统方法容易受到主观偏差的影响，往往导致严重性评估不准确。相比之下，基于源代码的方法可以直接学习代码表示，更准确地识别潜在缺陷。然而，现有的基于源代码的模型未能充分利用层次化深层语义信息，且对内在类别不平衡问题关注不足。为克服这些挑战，本文提出了成本自适应多级语义特征学习（CAMEL）框架用于缺陷严重性预测。该框架包含三个核心模块：特征提取模块、多级语义信息融合（MSIF）模块和成本权重优化（CWO）模块。具体而言，特征提取模块利用CodeBERT从源代码中捕获多级语义信息。MSIF随后使用结合了层次注意力机制的LSTM动态聚合来自每个CodeBERT层的层级特定特征，从而保持全局语义完整性。最后，CWO模块通过动态调整类别权重参数来缓解类别不平衡问题的影响。在包含3342个具有不同缺陷严重性级别的代码片段数据集上的实验表明，CAMEL在F1-Weighted、精确度、召回率和MCC等关键指标上显著优于当前最先进的方法。
Keyword:
Bug severity prediction
Code representation
Cost sensitivity
Semantic information fusion
期刊
S
IF:
1.4
论文数:
51
被引数:
1.6K
机构
引用论文
A Novel Deep-Learning-Based Bug Severity Classification Technique Using Convolutional Neural Networks and Random Forest with Boosting.png)
Sensors
OAAI
SensorsIF0
OAAI分享收藏Empirical analysis of object-oriented design metrics for predicting high and low severity faults预测高低严重故障的面向对象设计指标的实证分析
PREAI
分享收藏Bug summary entropy based training candidates identification in cross project severity prediction基于缺陷摘要熵的跨项目严重性预测训练候选识别
PREAI
分享收藏分享收藏 没有更多内容
没有更多内容