JIT-MTL：基于多任务学习的即时缺陷定位与预测技术

《ACM Transactions on Software Engineering and Methodology》：JIT-MTL: Just-in-Time Defect Localization and Prediction with Multi-Task Learning

自动代码缺陷检测中，JIT-DP（提交级缺陷预测）和JIT-DL（提交前缺陷定位）的研究虽多但侧重不同。本文提出JIT-MTL多任务学习框架，通过融合代码预训练模型（CPTM）与提交级特征（如缺陷代码表征和专家特征），同时实现缺陷提交识别与行级定位，实验表明在JIT-Defect4J数据集上F1提升14%，Top-10准确率提升53.9%，Top-5准确率提升36.4%。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

严重的软件缺陷可能导致重大问题，甚至造成巨大的经济损失。因此，自动代码缺陷检测受到了广泛关注。为了尽快修复这些缺陷，研究人员研究了即时缺陷预测（JIT-DP）和即时缺陷定位（JIT-DL）技术。具体来说，JIT-DP 的目标是在提交代码更改时预测缺陷；而 JIT-DL 的目标是在缺陷导致故障之前进行行级缺陷定位。已经开发了多种用于 JIT-DP 和 JIT-DL 的方法，其中使用代码预测模型（CPTM）的方法取得了最佳效果。然而，大多数以往的研究都集中在 JIT-DP 上，尽管 JIT-DL 可能更为关键。识别出某个提交中的具体缺陷行有助于判断该提交是否存在缺陷。因此，我们提出了一种多任务学习方法（JIT-MTL），旨在同时解决 JIT-DP 和 JIT-DL 的问题。具体而言，我们训练了一个 CPTM 来同时识别有缺陷的提交和具体行。行级预测结果直接用于 JIT-DL，而同一提交的提交级预测结果则被合并以确定 JIT-DP 的最终结果。为了提高行级预测的准确性，我们为 CPTM 提供了额外的提交级信息，包括提交级缺陷代码表示和专家特征。在 JIT-Defect4J 数据集上的实验结果表明，JIT-MTL 的性能优于现有的最佳方法：在 JIT-DP 中 F1 分数提高了 14%，在 Top-10 准确率中提高了 53.9%，在 Top-5 准确率中提高了 36.4%。

AI 摘要

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。