XiaoMi-AI文件搜索系统
World File Search System软件缺陷
基于人工智能的软件缺陷预测器：案例研究中的应用和优势
Ayse Tosun 1、Ayse Bener 2、Resat Kale 3 1,2 博阿齐奇大学计算机工程系软件研究实验室（SoftLab），邮编 34342，伊斯坦布尔，土耳其 3 Turkcell 技术公司，盖布泽，伊斯坦布尔，土耳其 1 ayse.tosun@boun.edu.tr，2 bener@boun.edu.tr，3 resat.kale@turkcellteknoloji.com.tr 摘要 软件缺陷预测旨在通过引导测试人员完成软件系统中易出现缺陷的部分来减少软件测试工作量。缺陷预测器被广泛用于组织中以预测缺陷，从而节省时间和精力，作为手动代码审查等其他技术的替代方案。在现实环境中应用缺陷预测模型很困难，因为它需要来自过去项目的软件度量和缺陷数据来预测新项目的缺陷倾向。另一方面，它非常实用，因为它易于应用，可以用更少的时间检测出缺陷并减少测试工作量。我们在一年的时间内为一家电信公司建立了一个基于学习的缺陷预测模型。在这项研究中，我们简要解释了我们的模型，展示了它的收益并描述了我们如何在公司中实施该模型。此外，我们将我们的模型的性能与试点项目中应用的另一种测试策略的性能进行了比较，该项目实施了一种名为团队软件流程 (TSP) 的新流程。我们的结果表明，缺陷预测器可用作新流程实施过程中的支持工具，预测 75% 的代码缺陷，并减少测试时间，而通过代码审查和正式检查表等更耗费劳动力的策略检测到的代码缺陷率为 25%。
自主驾驶系统中即时软件缺陷预测的多模式学习
摘要 - 近年来，自主驾驶技术的兴起强调了可靠软件在确保安全和性能方面的重要性。本文提出了一种使用多模式学习的自动驾驶软件系统中即时软件缺陷预测（JIT-SDP）的新方法。提出的模型利用了多模式变压器，其中预训练的变压器和组合模块与软件系统数据集的多个数据模式相结合，例如代码功能，更改指标和上下文信息。适应多模式学习的关键点是利用不同数据模式（例如文本，数值和分类）之间的注意机制。在组合模块中，在文本数据和包含分类数据和数值数据的表格数据和表格特征上的输出组合在一起，以使用完全连接的层产生预测。对从GitHub存储库（Apollo，Carla和Donkeycar）收集的三个开源自动驾驶系统软件项目进行的实验表明，拟议的方法显着超过了有关评估指标的最先进的深度学习和机器学习模型。我们的发现突出了多模式学习的潜力，以通过改进的缺陷预测来增强自主驾驶软件的可靠性和安全性。
量子与经典的机器学习算法用于软件缺陷预测：挑战和机遇
摘要 - 软件缺陷预测是软件质量保证的关键方面，因为它可以早期识别和缓解缺陷，从而降低了软件故障的成本和影响。在过去的几年中，量子计算已成为一种令人兴奋的技术，能够改变多个领域。量子机学习（QML）是其中之一。QML算法比其经典同行可以利用量子计算的能力以更好的效率和有效性解决复杂问题。但是，仍需要探索其在软件工程中对软件缺陷进行应用的研究。在这项研究中，我们通过比较20个软件缺陷数据集中的三种QML和五种经典机器学习（CML）算法的性能来填补研究差距。我们的调查报告了QML与CML算法的综合场景，并确定了预测软件缺陷的表现更好和一致的算法。我们还强调了基于我们在进行此调查时所面临的经验，在实际软件缺陷数据集中采用QML算法的挑战和未来方向。这项研究的发现可以通过使软件系统可靠且无漏洞来帮助从业人员和研究人员进一步进步。索引术语 - Quantum机器学习，支持向量分类器，软件缺陷预测，量子古典级，性能比较
AI/ML 系统的漏洞披露和管理
人工智能系统，尤其是那些依赖于机器学习 (ML) 的系统，可能容易受到故意攻击，包括逃避、数据中毒、模型复制以及利用传统软件缺陷来欺骗、操纵、危害和使其失效。然而，太多采用 AI/ML 系统的组织却忽视了它们的漏洞。将漏洞披露和管理的网络安全政策应用于 AI/ML 可以提高人们对现实环境中技术漏洞的认识，并为管理与 AI/ML 系统相关的网络安全风险提供策略。改善网络安全的联邦政策和计划应明确解决基于 AI 的系统的独特漏洞，正在制定的 AI 治理政策和结构应明确包括网络安全组件。
软件工程的可解释 AI
这些对缺乏解释的担忧往往导致缺乏信任，并阻碍了此类软件分析系统在实践中的采用。其次，软件从业者经常会受到这些软件分析系统做出的任何决策的影响（例如，由于缺陷预测模型发现开发人员引入了软件缺陷，开发人员会被解雇吗？）。最近，欧盟《通用数据保护条例》（GDPR）第 22 条规定，在影响个人或团体的决策中使用数据需要对算法做出的任何决策进行解释。不幸的是，当前的软件分析系统仍然不支持任何隐私法 [5]。因此，软件分析系统不合理决策的风险可能是灾难性的，导致潜在的错误和代价高昂的业务决策 [3]。第三，我们发现只有 5% 的缺陷预测研究专注于使用可解释的 AI 技术生成局部解释（参见
医疗保健领域的机组资源管理
近年来，患者安全受到越来越严格的审查，专家一致认为，人为因素是导致医疗不良事件的主要原因。美国医学研究所 (IOM) 在其 1999 年的里程碑式报告《人非圣贤，孰能无过：建立更安全的医疗保健系统》中指出，每年有 44,000 至 98,000 名患者因医疗失误死亡，估计每年损失 290 亿美元。i 医疗失误是美国每年第八大死亡原因，其中三分之二是可以预防的。ii 随着医学依赖于越来越复杂的技术，这个问题只会愈演愈烈。例如，《纽约时报》最近进行的一项研究发现，与放射治疗相关的伤害数量惊人。这些本来可以避免的伤害是由错误的编程、不良的安全程序、本应被认识到的软件缺陷以及人员配备和培训不足造成的。iii
医疗保健领域的机组资源管理
近年来，患者安全受到越来越严格的审查，专家们一致认为，人为因素是医疗不良事件的主要诱因。美国医学研究所 (IOM) 在其 1999 年的里程碑式报告《人非圣贤，孰能无过：建立更安全的医疗保健系统》中指出，每年有 44,000 至 98,000 名患者因医疗失误死亡，估计每年损失 290 亿美元。i 医疗失误是美国每年第八大死亡原因，其中三分之二是可以预防的。ii 随着医学越来越依赖复杂的技术，这个问题只会愈演愈烈。例如，《纽约时报》最近进行的一项研究发现，与放射治疗相关的伤害数量惊人。这些伤害本应可以避免，但却是由错误的编程、糟糕的安全程序、本应被认识到的软件缺陷以及人员配备和培训不足造成的。iii
医疗保健领域的机组资源管理
近年来，患者安全受到越来越严格的审查，专家们一致认为，人为因素是医疗不良事件的主要诱因。美国医学研究所 (IOM) 在其 1999 年的里程碑式报告《人非圣贤，孰能无过：建立更安全的医疗保健系统》中指出，每年有 44,000 至 98,000 名患者因医疗失误死亡，估计每年损失 290 亿美元。i 医疗失误是美国每年第八大死亡原因，其中三分之二是可以预防的。ii 随着医学越来越依赖复杂的技术，这个问题只会愈演愈烈。例如，《纽约时报》最近进行的一项研究发现，与放射治疗相关的伤害数量惊人。这些伤害本应可以避免，但却是由错误的编程、糟糕的安全程序、本应被认识到的软件缺陷以及人员配备和培训不足造成的。iii
医疗保健领域的机组资源管理
近年来，患者安全受到越来越严格的审查，专家们一致认为，人为因素是医疗不良事件的主要诱因。美国医学研究所 (IOM) 在其 1999 年的里程碑式报告《人非圣贤，孰能无过：建立更安全的医疗保健系统》中指出，每年有 44,000 至 98,000 名患者因医疗失误死亡，估计每年损失 290 亿美元。i 医疗失误是美国每年第八大死亡原因，其中三分之二是可以预防的。ii 随着医学越来越依赖复杂的技术，这个问题只会愈演愈烈。例如，《纽约时报》最近进行的一项研究发现，与放射治疗相关的伤害数量惊人。这些伤害本应可以避免，但却是由错误的编程、糟糕的安全程序、本应被认识到的软件缺陷以及人员配备和培训不足造成的。iii
医疗保健领域的机组资源管理
近年来，患者安全受到越来越严格的审查，专家们一致认为，人为因素是医疗不良事件的主要诱因。美国医学研究所 (IOM) 在其 1999 年的里程碑式报告《人非圣贤，孰能无过：建立更安全的医疗保健系统》中指出，每年有 44,000 至 98,000 名患者因医疗失误死亡，估计每年损失 290 亿美元。i 医疗失误是美国每年第八大死亡原因，其中三分之二是可以预防的。ii 随着医学越来越依赖复杂的技术，这个问题只会愈演愈烈。例如，《纽约时报》最近进行的一项研究发现，与放射治疗相关的伤害数量惊人。这些伤害本应可以避免，但却是由错误的编程、糟糕的安全程序、本应被认识到的软件缺陷以及人员配备和培训不足造成的。iii