DIR-SMOTE: a density-influence resampling framework for imbalanced code smell detection

Malhotra, Ruchika

doi:10.1007/s10515-026-00624-x

DIR-SMOTE: a density-influence resampling framework for imbalanced code smell detection

2026-05-04

1

PRE

AI

DOI：10.1007/s10515-026-00624-x

原文链接

原文求助

摘要

En 中文

代码异味检测对于确保软件质量至关重要，但异味代码实例与非异味代码实例之间的不平衡会损害检测效果，尤其是对于少数异味（如数据类和特性嫉妒）。现有的过采样技术，如合成少数类过采样技术（SMOTE）、边界SMOTE（BL-SMOTE）和自适应合成（ADASYN），试图缓解这一问题，但通常会引入噪声或语义无关的样本。本研究提出了DIR-SMOTE（基于SMOTE的密度和影响力重采样），一种基于密度和解释的引导重采样框架，该框架整合了局部密度估计和基于SHapley加性解释（SHAP）的特征重要性，以提高少数类合成样本的质量。首先，DIR-SMOTE利用密度指标过滤掉噪声或孤立的少数类实例。然后，它使用SHAP识别每个实例的最具影响力的特征。合成样本通过在密集邻居之间插值生成，同时仅扰动排名靠前的SHAP特征，从而保持语义完整性。DIR-SMOTE在五个基准数据集（即Apache、jEdit、EDTForCSD、DesigniteJava和MLCQ）上进行了评估，涵盖了长方法、特性嫉妒和数据类等多种异味。与九种标准重采样方法相比，DIR-SMOTE在F1分数上最高提升6.7%，在精确率上提升5.1%，持续提升异味代码检测在二分类和多分类设置中的效果。DIR-SMOTE不依赖复杂的生成模型，而是专注于基于解释和密度感知的样本生成，保持透明性和计算效率。总体而言，它提供了一种轻量且鲁棒的解决方案，可以无缝集成到实际的质量保证工作流中，包括自动异味检测工具和基于IDE的分析器。

Keyword:

Code smell detection

Imbalanced data

Explainable artificial intelligence

Software quality assurance

DIR-SMOTE: a density-influence resampling framework for imbalanced code smell detection

摘要

期刊

机构