将时间卷积网络与元启发式优化集成在一起,以准确地预测软件缺陷
Ahmed Abdelaziz1,2, Alia Nabil Mahmoud1, Vitor Santos1
1Nova Information Management School (NOVA IMS), Universidade Nova de Lisboa, Campus de Campolide, Lisboa, Portugal.
PloS one
|May 12, 2025
概括
结合时间卷积网络 (TCN) 与Antlion优化 (ALO) 的新混合模型显著提高了软件缺陷检测的准确性. 这种先进的深度学习方法的性能优于现有的方法,提高了软件质量.
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:
- 深度学习对于通过识别缺陷来提高软件质量至关重要.
- 缺陷检测仍然是软件开发生命周期中的一个重大挑战.
研究的目的:
- 确定用于软件缺陷检测的最有效的深度学习模型.
- 引入和评估一个新的混合模型,将时间卷积网络 (TCN) 与Antlion优化 (ALO) 集成在一起.
主要方法:
- 提出了两个模型:一个基本的TCN和一个混合的TCN-ALO模型.
- 使用Antlion优化 (ALO) 来优化时间卷积网络 (TCN) 重量用于缺陷检测.
- 使用准确度,灵敏度,特异性和曲线下的面积等指标评估模型性能.
主要成果:
- 混合型TCN-ALO模型在所有性能指标上显著超过了基本的TCN.
- 混合模型比CNN,GRU和BiLSTM取得了更高的准确性 (21.8%,19.6%,31.3%).
- 拟议的模型显示,与深森林相比,曲线下的面积比深森林高13.6%.
结论:
- 混合型TCN-ALO模型在准确的软件缺陷检测方面表现出卓越的有效性.
- 这种方法为通过先进的缺陷识别来提高软件质量提供了一个有希望的解决方案.
- 这些发现证实了优化深度学习模型在软件工程中的潜力.
