Filtragem de instâncias em predição de defeitos entre projetos com meta-aprendizado

• Processo: 16/09315-2
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 23 de junho de 2016
• Data de Término da vigência: 22 de dezembro de 2016
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Adenilso da Silva Simão
• Beneficiário: Faimison Rodrigues Porto
• Supervisor: Maria Emilia Xavier Mendes
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Oulu, Finlândia
• Vinculado à bolsa: 13/01084-3 - Investigação de Teste de Software sob a Perspectiva da Teoria de Redes Complexas, BP.DR
• Assunto(s): Metrologia Métrica Análise de dados
• Palavra(s)-Chave do Pesquisador: Code Metrics | Cross-project Defect Prediction | meta-learning | Network Metrics | Software Defect Prediction | Predição de Defeitos em Software

Resumo

Modelos de predição de defeito podem ser uma ferramenta útil na organização dos recursos de teste disponíveis em projetos de software. Contudo, nem todas as companhias de software mantém um histórico de dados de teste apropriado. Nesses casos, as companhias de software podem construir um conjunto de dados apropriado a partir de projetos externos conhecidos. Essa abordagem, conhecida como Cross-project Defect Prediction (CPDP), soluciona a falta de dados de defeitos embora introduza heterogeneidade nos dados. Essa heterogeneidade, por sua vez, pode comprometer o desempenho de modelos CPDP. Recentemente, métodos de filtragem foram propostos com o intuito de diminuir a heterogeneidade dos dados por meio da seleção das instâncias mais similares dentre as instâncias do conjunto de treinamento. A similaridade entre instâncias é calculada com base nos atributos do projeto. Realizamos experimentos a fim de avaliar se o uso de subconjuntos de atributos usados como medidas de similaridade (IFFS) podem melhorar o desempenho de métodos de filtragem. Os resultados não indicam um único método IFFS com melhor desempenho geral. De maneira contrária, o método IFFS mais apropriado para um projeto pode variar de acordo com as propriedades do projeto. Neste projeto, propomos investigar o uso de conceitos de meta-aprendizagem para predizer o método IFFS mais eficiente para um projeto de software. Também propomos investigar o uso de métricas de redes globais como meta-atributos. Um meta-conjunto de dados composto por meta-atributos relevantes pode prover o conhecimento necessário para predizer o método IFFS mais eficiente para um projeto de software e, consequentemente, melhorar o desempenho de predição de defeitos de modelos CPDP. (AU)