Fault-proneモジュール判別における外れ値除去法の比較(テスト技法・保守技術,<特集>新しいパラダイムの中での分散システム/インターネット運用・管理)

概要

論文の詳細を見る
本論文では,fault-proneモジュール判別モデルの構築における課題の1つである,データセット中の外れ値(特異なモジュール)による判別性能の低下を改善することを目的とする.そのために,1つの母集団に対する代表的な外れ値除去法であるMahalanobis Outlier Analysis (MOA)とLocal Outlier Factor Method(LOFM)を2クラス(faultあり/なし)の判別に拡張した手法と,2クラスの判別を前提とした外れ値除去法であるRule-Based Modeling (RBM),および,新たに提案するCross-Class Mahalanobis Outlier Analysis (CC-MOA)の効果を実験的に比較した.実験では,NASA(アメリカ航空宇宙局)が公開している3つのプロジェクトのデータセットを題材として,MOA,LOFM,RBM,CC-MOAのそれぞれの適用の効果を,3つの代表的な判別モデル(線形判別分析,ロジスティック回帰分析,分類本)について交差検証法により評価した.実験の結果,LOFMを除く3つの外れ値除去法を用いた場合,いずれの判別モデル,データセットに対しても判別精度が改善され,F1値の平均向上幅はMOAでは0.139, RBMでは0.137, CC-MOAでは0.123であった.
2008-03-15