XiaoMi-AI文件搜索系统
World File Search System软件缺陷
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
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%。