本文介绍了一种可解释的人工智能技术，通过动态地使用token特征训练模型预测代码缺陷。LINE-DP框架包括：从缺陷数据集中提取特征训练预测模型；利用Lime方法生成实例并预测；建立线性回归模型（K-Lasso）确定特征重要性；根据系数计算语句风险分数并排序。该方法不依赖现有预测模型，重点关注对缺陷预测有正面影响的前20个特征。
Predicting Defective Lines Using a Model-Agnostic Technique
（使用模型不可知技术预测缺陷语句）
an Explainable AI technique that provides information why the model makes such a prediction
本文章提出了一个技术，可以对为什么做出这个判断提供依据。
直觉:常常出现在过去的缺陷文件中的代码令牌( tokens )也可能出现在发布后将修复的行。
动机分析：也就是示例文件中，如果是文件粒度的话，所有的100代码都需要耗费SQA精力。而如果是method-level级别的，假设缺陷method有30行，则它需要的SQA精力只是file-level的30%。若是line-level则需要的SQA精力则更少。我们用缺陷行占的比例来量化SQA精力。可能只有5条.
LINE-DP框架：
个人理解步骤：
1， 根据现有的缺陷数据集，提取出标签（i,e 真实缺陷）和toke
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
