Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 544

Aluno: Alysson Bispo Pereira
Orientador: Prof. Ricardo Bastos Cavalcante Prudêncio
Título: FILTRAGEM ROBUSTA DE RUÍDO DE RÓTULO PARA PREVISÃO DE DEFEITOS DE 
SOFTWARE
Data: 23/02/22
Hora/Local: 14h –  Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Prof. Luciano de Andrade Barbosa (UFPE / Centro de Informática)
Prof. Prof. Alexandre Cabral Mota (UFPE / Centro de Informática)
Prof. Profa. Anne Magaly de Paula Canuto (UFRN / Departamento de Informática 
e Matemática Aplicada)
Profa.  Ana Carolina Lorena (ITA / Instituto Tecnológico de Aeronáutica)

RESUMO:

Várias métricas de software e métodos estatísticos foram desenvolvidos para 
ajudar as empresas a prever defeitos de software. Tradicionalmente, para 
garantir a qualidade do software, o código-fonte pode ser inspecionado 
estaticamente por processos de revisão de código ou mesmo avaliado por meio 
da execução de testes por meio da execução do software. Por outro lado, os 
métodos de aprendizado de máquina foram treinados usando conjuntos de dados 
rotulados com base nas alterações de código e bugs relatados. Estudos 
anteriores demonstraram que esses conjuntos de dados são geralmente 
barulhentos devido a bugs não relatados ou devido a inconsistências nos 
relatórios de bug. Nesses casos, muitas instâncias de treinamento são 
atribuídas ao rótulo de classe errado. Como em qualquer outro contexto de 
aprendizado de máquina, o desempenho de um preditor de defeito depende de 
um conjunto de dados de treinamento confiável. Assim, evitar o uso de 
instâncias ruidosas na fase de treinamento pode ser crucial. As abordagens 
usadas até agora para detectar ruídos não consideraram métodos tradicionais 
de garantia de qualidade de software, como revisão de código. Neste artigo, 
propomos Robust Label Noise Filtering (RLNF) para aplicar técnicas de 
detecção de ruído de rótulo para identificar defeitos de software não 
relatados, identificando artefatos de software rotulados como livres de 
defeitos quando na verdade possuem defeitos ainda não encontrados pelos 
usuários finais. Para isso, estamos utilizando diferentes estratégias de 
detecção de ruído de rótulo para reproduzir os mecanismos usados no 
processo de revisão de código. Os experimentos foram realizados em um 
conjunto de benchmarking de projetos de software, alcançando resultados 
promissores.

Palavras-chave: Ruído de Rótulo. Predição de Defeito em Software. Garantia 
de Qualidade de Software.

Comentários desativados