Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jan 12, 2026

Design and Analysis for Fall Detection System Simplification
08:05

Design and Analysis for Fall Detection System Simplification

Published on: April 6, 2020

11.1K

深度多度指标学习用于使用代码和过程指标预测移动应用程序缺陷.

Ahmed Abdu1, Hakim A Abdo2, Inam Ullah3

  • 1School of Information, Xi'an University of Finance and Economics, Xi'an, 710100, China.

Scientific reports
|November 4, 2025
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Smart skies: optimizing autonomous AUAV positioning for robust IoT connectivity in next-gen cities.

Scientific reports·2026
Same author

Towards employee-centric HR: Understanding the link between opportunity-enhancing HR practices and employee taking charge at work.

Work (Reading, Mass.)·2026
Same author

Systematic characterization of purple acid phosphatases provides targets for improving phosphorus use efficiency in cotton.

Functional & integrative genomics·2026
Same author

Design and development of a 1-bit dual-mode metasurface for sub-6 GHz wireless communication systems.

Scientific reports·2026
Same author

AI-driven neuroanalytic modeling for mental health: multichannel CNN-based autism spectrum disorder detection via facial pattern analysis.

Frontiers in computational neuroscience·2026
Same author

An interpretable deep concatenated architecture for osteoporosis detection using enhanced knee radiographs.

Frontiers in medicine·2026

这项研究引入了深度多度度指标学习模型 (DMLM) 以准确预测移动应用程序缺陷. DMLM有效地结合了代码和流程指标,在精力意识和非精力意识的场景中优于现有方法.

科学领域:

  • 软件工程 软件工程 软件工程
  • 机器学习 机器学习
  • 移动应用开发 移动应用开发

背景情况:

  • 准确的缺陷预测对于高效的移动应用程序开发和资源分配至关重要.
  • 现有的缺陷预测模型受限于它们依赖于孤立的数据源,无法捕捉代码和过程指标的相互作用.
  • 需要先进的模型,集成多种指标,以提高预测准确度.

研究的目的:

  • 为增强移动应用程序缺陷预测提出一个新的深度多度度指标学习模型 (DMLM).
  • 在一个统一的框架内,利用当前版本的代码指标和以前版本的过程指标.
  • 根据最先进的方法评估DMLM的性能.

主要方法:

  • 开发了一个深度多度指标学习模型 (DMLM),集成代码和过程指标.
  • 利用深度卷积神经网络 (CNN) 识别组合指标中的复杂模式.
  • 在来自 Git 存储库的 9 个真实世界 Android 应用程序上进行了实验.

主要成果:

  • 在非精力意识的设置中,DMLM显著超过了最先进的方法,显示出优越的曲线下面面积 (AUC),F1得分和马修斯相关系数 (MCC).
  • 在努力意识的场景中,DMLM模型还显示出与基线方法相比的优异性能 (PofB20).
关键词:
代码指标是指代码指标.深度神经网络是一个神经网络.移动应用程序缺陷预测预测过程指标 过程指标

更多相关视频

Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable
09:24

Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable

Published on: May 17, 2024

2.1K

相关实验视频

Last Updated: Jan 12, 2026

Design and Analysis for Fall Detection System Simplification
08:05

Design and Analysis for Fall Detection System Simplification

Published on: April 6, 2020

11.1K
Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable
09:24

Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable

Published on: May 17, 2024

2.1K
  • 这些发现证实了该模型在各种预测环境中的有效性.

    • 结论:

    • 拟议的DMLM通过整合代码和流程指标,有效地提高了移动应用程序缺陷预测.
    • 在移动应用程序开发中,DMLM提供了一个强大的解决方案,用于改善资源配置和软件质量.
    • 该研究强调了多度学习对于准确可靠的缺陷预测的重要性.