Análise e Implementação de Algoritmos Semi-Supervisionados no Contexto de Predição de Falhas de Software

• Processo: 12/18030-0
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de novembro de 2012
• Data de Término da vigência: 30 de abril de 2013
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Tiago Silva da Silva
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Engenharia de software
• Palavra(s)-Chave do Pesquisador: Algoritmos Semi-Supervisionados | Aprendizado de Máquina | Engenharia de Software | Predição de Falhas | Engenharia de Software, Aprendizado de Máquina

Resumo

Devido à heterogeneidade de dados de engenharia de software (ES), aplicações de aprendizado de máquina (AM) neste contexto enfrentam desafios únicos. Na ES não existem sistemas de software reais muito semelhantes, mesmo que dentro do mesmo domínio de aplicação. O que se aprende sobre um sistema ou um processo, normalmente não se aplica em outro. Além disso, engenheiros de software não são especialistas em AM, nem pesquisadores da área de AM são especialistas em dados de ES. Um problema comum e crítico sobre a aplicação de técnicas de AM em tarefas de ES é que a maioria dos algoritmos utiliza uma variedade de parâmetros, os quais são específicos de cada domínio ou conjunto de dados. Reutilizar um conjunto de valores de parâmetros de uma aplicação em outra, normalmente não leva a bons resultados. Portanto, novas pesquisas precisam tratar este problema genérico de customização de algoritmo. Para isso, neste projeto, defende-se que abordagens amplamente utilizadas para construção de modelos de predição de falhas de software não são úteis quando a quantidade de dados de falha disponíveis é muito pequena. Sob tais circunstâncias, módulos cuja propensão a falhas é desconhecia mas cujas métricas descritivas estão disponíveis, devem ser exploradas para uma predição de falhas precisa. Mais especificamente, um esquema de classificação apoiado por dados não rotulados, aprendizado semi-supervisionado, pode ser uma melhor abordagem para estes casos. Defende-se ainda, a aplicação do aprendizado transdutivo, o qual é um caso especial de aprendizado semi-supervisionado, no qual não é preciso construir um modelo generalizável, mas apenas prever o resultado dos casos que não possuem informação sobre a classe. Em virtude, especialmente, da falta de modelos generalizáveis através dos diferentes projetos de software, acredita-se que o aprendizado transdutivo possa ser a solução para predição de software em geral e, em particular, para a predição de falhas.