Navegando por Assunto "Autoencoder denoising"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
Dissertação Acesso aberto (Open Access) Online learning for software defect prediction(Universidade Federal do Pará, 2025-02-28) VIDAL, Douglas Almeida; SERUFFO, Marcos César da Rocha; http://lattes.cnpq.br/3794198610723464; https://orcid.org/0000-0002-8106-0560; GONÇALVES, Glauco Estácio; http://lattes.cnpq.br/6157118581200722; https://orcid.org/0000-0003-1341-5339; KLAUTAU JUNIOR, Aldebaro Barreto da Rocha; RIKER, André Figueira; CARDOSO, Diego Lisboa; http://lattes.cnpq.br/1596629769697284; http://lattes.cnpq.br/2949449810540513; http://lattes.cnpq.br/0507944343674734; https://orcid.org/0000-0001-7773-2080; xxx; https://orcid.org/0000-0002-5971-3668A previsão de defeitos de software Just-in-Time (JIT-SDP) busca identificar mudanças no código que podem introduzir defeitos no momento em que são realizadas, permitindo uma correção antecipada e reduzindo custos de manutenção. No entanto, modelos tradicionais de JIT-SDP enfrentam dificuldades devido ao desvio de conceito e à necessidade de grandes quantidades de dados rotulados, tornando-os menos eficazes em ambientes dinâmicos de desenvolvimento de software. Esta dissertação apresenta o modelo Semi-supervised Stochastic Weight Averaging (S3WA), uma abordagem de aprendizado adaptativo que utiliza dados rotulados e não rotulados, ajustando-se dinamicamente às mudanças na distribuição dos dados. O modelo foi avaliado comparativamente a técnicas de aprendizado online de última geração em conjuntos de dados artificiais e reais, com foco especial no JIT-SDP. Os resultados mostram que o S3WA mantém uma maior precisão preditiva ao longo do tempo, lidando melhor com a desvio de conceito e reduzindo a dependência de dados rotulados. Esses achados demonstram o potencial das abordagens semissupervisionadas adaptativas para aprimorar a previsão de defeitos em tempo real em fluxos de trabalho de desenvolvimento de software.