方法框架图

实验结果

近日，计算机学院姜淑娟教授的科研团队（张艳梅、王荣存、薛猛、张爱娟、韩丽霞）的学术论文“Empirical Evaluation of the Impact of Class Overlap on Software Defect Prediction”在软件工程领域顶级会议The 34th IEEE/ACM International Conference on Automated Software Engineering (ASE)发表，该会议是计算机学会推荐的A类会议。

论文报告了关于软件缺陷预测的最新研究成果，深入分析了类重叠如何影响软件缺陷预测问题。软件缺陷预测技术利用学习模型检测项目中有缺陷的模块，模型的性能取决于训练数据的质量。以往的研究主要集中在类不平衡和特征冗余的质量问题上，然而，训练数据常常包括一些属于不同的实例但在特征上具有相似的值，会导致类重叠，从而影响训练数据的质量。姜淑娟教授的科研团队提出了一种改进的K-Means聚类清理方法来同时解决类重叠和类不平衡问题。为了对类重叠进行客观的评估，团队成员对28个开源项目进行了实验调查，实验结果表明，在清理重叠实例的情况下，项目内和跨项目两种场景下的学习模型在balance、Recall和AUC指标上的性能得到明显提升。

该研究受国家自然科学基金项目（61673384）和江苏省自然科学基金（BK20181353）等基金共同资助，由中国矿业大学独立完成。姜淑娟教授团队长期从事软件测试等相关研究，并取得了一系列重要的研究成果。

新闻来源：计算机学院 张菁摄影：责任编辑：张菁审核:秦峰