프로젝트 간 결함 예측(Cross-project defect prediction, CPDP)은 유사한 소스 프로젝트로부터 관련 정보를 활용하여, 특히 과거 이력 데이터가 제한적인 대상 프로젝트에서 잠재적 결함을 식별하는 데 필수적인 역할을 한다. 현재의 연구들은 CPDP에 대해 세 가지 주요 유형의 소프트웨어 메트릭을 중심으로 이루어져 왔는데, 정적 메트릭(static metrics), 코드 변경 메트릭(code-change metrics), 그리고 의미적 특징(semantic features)이 그것이다. 그러나 기존의 이러한 CPDP 연구들은 두 가지 주요 과제에 직면해 있다. 첫째, 특징 차원이 감소함에 따라 발생하는 클래스 중첩(class overlap) 문제이고, 둘째, 다양한 소프트웨어 메트릭을 통합함으로써 나타나는 다중공선성(multicollinearity) 문제이다. 이러한 과제를 해결하기 위해, 우리는 감소(reduction)와 혼성화(hybridization) 기법을 기반으로 한 CPDP 모델(RH-CPDP)을 제안한다. 제안된 모델은 혼성화 기법으로서 하이브리드 딥 뉴럴 네트워크(hybrid deep neural networks)를 사용하여 모든 메트릭 범주의 핵심 메트릭을 결합함으로써 클래스 중첩 문제를 완화하고 예측 모델의 효율성을 향상시킨다. 감소 방법으로는 주성분 분석(Principal component analysis, PCA)을 사용하여, 메트릭 간의 영향력 있는 관계와 결함 취약성(fault proneness)에 초점을 맞추면서 사용 메트릭의 수를 소수로 유지함으로써 다중공선성 문제를 회피한다. PROMISE 데이터셋의 9개 오픈소스 프로젝트를 활용한 실험 분석 결과, RH-CPDP는 곡선 아래 면적(area under the curve, AUC) 및 F1-측정(F1-measure) 측면에서 기존 CPDP 방법(TCSBoost, TPTL, DA-KTSVMO, DBN, 3SW-MSTL)을 능가하는 것으로 나타났다. 이러한 결과는 CPDP 기법의 성능을 향상시키는 데 있어 RH-CPDP의 효과성을 보여준다. • 감소와 혼성화 기법을 사용하는 CPDP 모델을 제안한다. • 핵심 소프트웨어 메트릭을 결합하기 위해 하이브리드 딥 뉴럴 네트워크를 사용한다. • 사용 메트릭의 수를 소수로 유지하기 위해 주성분 분석(PCA)을 사용한다. • 효율성 평가를 위해 여러 성과 지표를 사용한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.