半监督字典学习软件缺陷预测：二次学习方法

"基于二次学习的半监督字典学习软件缺陷预测_张志武1" 本文探讨了在软件开发过程中，如何有效地预测软件缺陷，特别是在训练样本有限的情况下。作者提出了一个基于二次学习的半监督字典学习方法来解决这个问题。在软件缺陷预测中，有标记的训练样本通常是非常宝贵的，因为它们需要专业知识和时间来获取。然而，在实际的软件历史仓库中，这些样本可能非常少，这使得构建精确的预测模型变得困难。 首先，文章介绍了第一阶段的学习过程。在这个阶段，研究者利用稀疏表示分类器（Sparse Representation Classifier）对大量未标记的样本进行处理。通过概率软标记标注，这些未标记样本被纳入到有标记的训练样本集中。这种方法允许模型从无标记数据中学习潜在的特征和模式，从而增加训练数据的可用性。 接下来，进入第二阶段，即鉴别字典学习（Discriminative Dictionary Learning）。在扩充后的训练样本集上进行这一学习，目的是构建一个能区分健康代码和可能存在缺陷的代码的字典。字典学习是一种机器学习技术，它试图找到一组基元素（或原子），可以以稀疏的方式表示输入数据。在软件缺陷预测的上下文中，这个字典可以理解为一组代码特征，这些特征对于识别可能的缺陷至关重要。 最后，利用在第二阶段学到的字典，对新的代码片段进行缺陷倾向性的预测。实验结果表明，该方法在NASAMDP和PROMISEAＲ两个数据集上表现出优越的性能，验证了其在软件缺陷预测中的有效性。 关键词涵盖了软件缺陷预测、二次学习、半监督学习以及字典学习，表明该研究综合运用了这些领域的理论和技术。中图法分类号TP311将该论文归类为计算机科学技术领域，而DOI（Digital Object Identifier）则提供了文献的唯一标识，方便后续引用。 引用格式遵循了学术规范，列出了作者、期刊名称、发表年份、卷号和页码，便于其他研究者引用这篇工作。 这篇文章提出的基于二次学习的半监督字典学习方法为软件缺陷预测提供了一种创新的解决方案，尤其在有标记数据稀缺的情况下，能够提高预测的准确性和模型的泛化能力。