详细内容或原文请订阅后点击阅览
使用自动编码器变压器模型进行软件缺陷预测
由 AI-ML 驱动的质量工程方法使用 AI-ML 通过预测缺陷来增强软件质量评估。现有的机器学习模型难以应对噪声数据类型、不平衡、模式识别、特征提取和泛化等问题。为了应对这些挑战，我们开发了一种新模型，即基于自适应差分进化（ADE）的量子变分自编码器-变换器（QVAET）模型（ADE-QVAET）。 ADE 与 QVAET 相结合，获得高维潜在特征并保持顺序依赖性，从而提高缺陷预测的准确性。 ADE 优化增强模型...
来源:Apple机器学习研究由 AI-ML 驱动的质量工程方法使用 AI-ML 通过预测缺陷来增强软件质量评估。现有的机器学习模型难以应对噪声数据类型、不平衡、模式识别、特征提取和泛化等问题。为了应对这些挑战，我们开发了一种新模型，即基于自适应差分进化（ADE）的量子变分自编码器-变换器（QVAET）模型（ADE-QVAET）。 ADE 与 QVAET 相结合，获得高维潜在特征并保持顺序依赖性，从而提高缺陷预测的准确性。 ADE 优化增强了模型收敛性和预测性能。 ADE-QVAET 集成了 AI-ML 技术，例如调整超参数以进行可扩展且准确的软件缺陷预测，代表了 AI-ML 驱动的质量工程技术。在训练百分比为 90% 的训练过程中，与差分进化 (DE) ML 模型相比，ADE-QVAET 的准确率、精确度、召回率和 F1 分数分别为 98.08%、92.45%、94.67% 和 98.12%。