一个可信的混合模型,用于透明的软件缺陷预测:SPAM-XAI
Mohd Mustaqeem1, Suhel Mustajab1, Mahfooz Alam1
1Department of Computer Science, Aligarh Muslim University, Aligarh, India.
PloS one
|July 11, 2024
概括
软件缺陷预测 (SDP) 模型与复杂性和透明度作斗争. 我们的SPAM-XAI模型使用新型采样和Explainable-AI (XAI) 来增强SDP,在软件开发中实现高精度和可靠性.
科学领域:
- 软件工程 软件工程 软件工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 软件开发的复杂性正在增加,这导致在维护质量方面面临挑战.
- 软件缺陷预测 (SDP) 对于早期检测故障模块和降低成本至关重要.
- 现有的SDP模型面临着数据不平衡,高维度,过拟合和缺乏透明度等问题.
研究的目的:
- 解决传统SDP模型的局限性.
- 提出一种混合模型,SPAM-XAI,整合采样,特征选择和可解释的AI (XAI).
- 提高软件开发生命周期 (SDLC) 中的SDP的稳定性,透明度和可信度.
主要方法:
- 开发了SPAM-XAI,这是一个混合模型,结合了新的采样和特征选择技术.
- 集成的可解释AI (XAI) 算法,以实现模型透明度和可解释性.
- 减少特征维度和优化模型复杂性以提高效率.
主要成果:
- 在NASA PROMISE数据集上,SPAM-XAI表现出卓越的性能.
- 实现了高精度:98.13% (CM1),96.00% (PC1) 和98.65% (PC2) 的高精度.
- 在多个评估指标中表现优于最先进的和基线模型.
结论:
- SPAM-XAI有效地解决了SDP中的挑战,包括数据不平衡和模型可解释性.
- 该模型提高了透明度,促进了对特征错误相互作用的理解.
- 在SDLC中,SPAM-XAI提高了决策和可信度.
