한글내용
(Korean Abstract) |
소프트웨어 결함 데이터는 비결함 인스턴스의 수가 결함 인스턴스의 수보다 많은 클래스 불균형 문제를 겪는다. 대부분의 기계 학습 방법은 특정 클래스의 인스턴스 비율이 한 클래스로 치우치게 되면 결함 예측 성능에 부정적인 영향을 끼친다. 본 연구에서는 여러 종류의 생성적 적대 신경망 모델 중 소프트웨어 결함 예측에 적합한 모델은 무엇인지 비교한다. 관련 연구에서 적용하지 않았던 생성적 적대 신경망 모델의 적용성 여부를 확인한다. 이미지 생성에 최적화되어 있는 Vanilla-GAN(GAN)과 Conditional GAN (cGAN) 모델을 소프트웨어 결함 예측 데이터에 적합하게 개조한 후, 개조한 GAN, cGAN과 Modeling Tabular data using Conditional GAN (CTGAN)의 성능을 비교 실험한다. 또한 결함 발견율(Recall)을 높이고, 결함 오보율(Probability of False Alarm, PF)을 낮추는 CTGAN의 하이퍼파라미터 값은 무엇인지 비교 실험한다. CTGAN 모델이 소프트웨어 결함 예측 데이터에 적합하고, 하이퍼파라미터 값 조정을 통해 성능을 다소 향상시킬 수 있음을 보인다.
|
