|
ソフトウェア品質向上を目的として，欠陥予測モデルのオンライン最適化を行い，精度向上が期待できる成果を得られた．具体的には，精度向上のために最適な説明変数の選択とラーニングデータの選択を行うことを可能とした．後者について概説する．新規開発のソフトウェアにおいて欠陥予測を行う場合，別のソフトウェアから収集したデータをラーニングデータとし，モデル構築する必要がある．これはCPDPと呼ばれる．一般にCPDPでは予測精度が低下することが多い．ソフトウェアが異なると，説明変数と目的変数の関係が大きく異なりうるためである．CPDPの予測精度を高めるために，バンディットアルゴリズムに基づくラーニングデータ選択を行った．さらに，欠陥予測モデルに対してアンサンブル学習を適用する場合，オンライン学習を適用する場合についても，最適な手法を選択する方法を提案した．
研究アプローチの適用範囲を広げ，欠陥予測モデルだけに限定せず，レビュー手法，コードクローン検出手法，コード生成ツールのそれぞれについてもオンラインで最適化し，より望ましい成果を得られることを明らかにした．レビュー手法の選択について概説する．ソフトウェアの信頼性を高める方法の一つは，設計書やソースコードに対してレビューを行い，ソフトウェアの欠陥を除去することである．レビューでの欠陥の見逃しを減少させるために，様々なレビュー方法が提案されており，それぞれ実施に要する時間と効果が異なる．そこでオンライン最適化のアプローチに基づき，複数のレビュー方法をレビュー中に評価し，最適な方法を動的に決定する方法を提案した．
さらに，研究対象をオンライン学習にも拡大し，オンライン学習の従来の問題点を明らかにするとともに，その改善方法を提案した．また，オンライン最適化，オンライン学習の両方の予測精度改善が期待できる，ソフトウェア再テストの方法についても提案した．
|
