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