24、机器学习模型的对抗攻击与重构预测研究

机器学习模型的对抗攻击与重构预测研究

在当今的科技领域，机器学习模型的应用无处不在，但同时也面临着诸多挑战，如对抗攻击的威胁以及软件重构预测的需求。本文将深入探讨两种相关的研究：一是基于强化学习的通用分布决策型黑盒对抗攻击，二是软件重构预测模型的构建与评估。

软件重构预测模型研究

软件在我们的生活中无处不在，在软件开发的生命周期中尽早进行软件重构是可预测的。研究人员采用了三种词嵌入技术从抽象语法树（AST）中提取特征，三种采样技术来平衡数据集的不平衡性，并使用十三种分类器来训练重构预测模型。这些模型通过5折交叉验证，使用AUC和准确率参数进行比较和验证。

• 不同技术对模型性能的影响

  • 词嵌入技术 ：使用TF - IDF计算的向量所开发的模型，与CBOW和SKG相比，性能有显著提升。
  • 采样技术 ：使用采样技术平衡数据集有助于提高预测模型的性能。其中，使用BLSMOTE对采样数据进行训练的模型，与其他技术相比，具有更好的预测能力。
  • 学习方法 ：使用集成学习或深度学习进行模型训练有助于提高预测模型的性能。使用随机森林分类器训练的模型，与其他分类器相比，具有更好的预测能力。

• 各分类器的性能统计
  |分类器|准确率（Min）|准确率（Q1）|准确率（Median）|准确率（Mean）|准确率（Q3）|准确率（Max）|准确