通过注意力机制提取和融合特征,用于软件缺陷预测

科学领域:

• 计算机科学 计算机科学
• 软件工程 软件工程 软件工程
• 人工智能的人工智能

背景情况:

• 软件缺陷预测模型通常使用指标,语义和网络功能.
• 复杂的软件结构和有限的样本阻碍了由于无效的特征表示和提取导致的准确缺陷预测.
• 单个特征往往无法捕捉完整的软件结构.

研究的目的:

• 提出一种高效准确的方法来表示抽象语法树 (AST).
• 引入多功能注意 (MFA) 模型,用于增强软件缺陷预测.
• 为了利用可变形和自我注意机制来进行特征提取和融合.

主要方法:

• 开发了一种用于高效准确的抽象语法树 (AST) 表示的新方法.
• 提出了多特征注意力 (MFA) 模型,该模型包含可变形的注意力,用于特征提取.
• 利用自我注意机制来融合语义和网络特征,进行全面的分析.
• 在21个Java项目中进行了跨版本和跨项目实验.

主要成果:

• 在交叉版本实验中,MFA模型实现了平均ACC,F1和AUC分数为0.7,0.614和0.711.
• 在跨项目实验中,MFA平均达到ACC,F1和AUC的0.687,0.575和0.696.
• 与其他模型相比,MFA表现出高达41%的性能改善.
• 多个特征的融合证明优于使用单个特征进行预测.

结论:

• 该MFA模型有效地代表了AST并融合了各种软件功能,大大提高了缺陷预测的准确性.
• 提出的基于注意力的机制为提取和整合复杂软件特征提供了一个强大的方法.
• 在软件缺陷预测方面,MFA提供了一个有前途的进步,在跨版本和跨项目场景中,其性能优于现有的方法.