.png){kind=icon}
返回
Identifying inconsistent software defect predictions with symmetry metamorphic relation pattern
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jss.2025.112449.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
确定基于机器学习系统的软件缺陷预测不一致性构成了重大挑战。为解决此问题，我们提出采用结合对称变异关系模式（MRP）的变异测试（MT）来转换训练数据集，以训练后续系统；相比之下，原始数据集用于训练源系统。通过比较源系统与后续系统之间不一致预测的发生情况并分析该方法的效能，我们旨在阐明其有效性。此外，采用可解释人工智能（XAI）来解释观察到的不一致性。结果表明，对称MRP可以引发不一致预测，且XAI技术能够有效阐明此类不一致性。此外，我们发现当使用KMeans、随机森林或卷积神经网络算法进行软件缺陷预测时，小规模和不平衡数据集的排序可能导致不一致性。为进一步推进此项研究，未来研究可通过在采用机器学习算法的领域中纳入额外的MRPs来扩展所提出的方法，以识别和解释不一致性。另一项有前景的研究方向是探究数据不平衡、数据集大小与MRPs之间的关系，以增强不一致性的识别并推导出更稳健的MRs。
Keyword:
Metamorphic testing
Metamorphic relation patterns
Software defect prediction
Explainable artificial intelligence
期刊
IF:
4.1
论文数:
5.5K
被引数:
8.4K
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Explainable artificial intelligence in skin cancer recognition: A systematic review皮肤癌识别中的可解释人工智能: 系统综述
OAAI
OAAI分享收藏Towards risk-aware artificial intelligence and machine learning systems: An overview走向风险感知的人工智能和机器学习系统: 综述
PREAI
分享收藏ACGDP: An Augmented Code Graph-Based System for Software Defect PredictionACGDP: 基于增强代码图的软件缺陷预测系统
PREAI
分享收藏
查看更多内容