JIT-MTL：基于多任务学习的即时缺陷定位与预测

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

即时缺陷预测与定位研究提出多任务学习框架JIT-MTL，通过代码预训练模型CPTM融合缺陷代码特征和专家知识，同步完成提交级缺陷预测和行级缺陷定位，实验表明在JIT-Defect4J数据集上F1提升14%，Top-10准确率提升53.9%。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，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，自动化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旨在在提交代码更改时预测缺陷级别，而JIT-DL则旨在在缺陷导致故障之前进行行级缺陷定位。已经开发了多种JIT-DP和JIT-DL方法，其中使用代码预测模型（CPTMs）的方法取得了最佳效果。然而，大多数先前的研究都集中在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中的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%。

人工智能摘要

人工智能生成的摘要（实验结果）

本摘要是由自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助读者发现相关内容、评估文章的相关性，并协助来自相关研究领域的读者理解本文的工作。它是对作者提供的摘要的补充，作者提供的摘要仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。