مشخصات نویسندگان مقاله تابعی اکتشافی برای بهبود دقت پیش بینی برنامه های جهش یافته آشکار کننده خطا
چکیده مقاله:
آزمون جهش روشی قدرتمند است که در آزمون نر افزار استفاده می شود. تعداد زیاد برنامه های جهش یافته، مقیاس پذیری و تعداد زیاد برنامه های جهش یافته غیر مرتبط با خطای واقعی اعتبار آن را تهدید می کند. برای مواجه شدن با تهدیدهای گفته شده، اخیرا رویکردی مبتنی بر یادگیری ماشین برای شناسایی برنامه های جهش یافته آشکار کننده خطا پیشنهاد شده است. در این پژوهش، یک تابع اکتشافی برای کاهش داده های مجموعه آموزش پیشنهاد شده است که در ترکیب با سایر روش ها توانسته AUC را روی دو مجموعه داده Codeflaws و CoREBench حدود %۲ بهبود دهد.
کلیدواژه ها:
کد مقاله/لینک ثابت به این مقاله
کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا FJCFIS09_033 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:https://civilica.com/doc/1436432/
نحوه استناد به مقاله:
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1400، رستمی، طه؛ سعید جلیلی)
برای بار دوم به بعد: (1400، رستمی؛ جلیلی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.
مدیریت اطلاعات پژوهشی
اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.
علم سنجی و رتبه بندی مقاله
مقالات مرتبط جدید
- حل مسئله برنامه ریزی خطی کروی فازی
- تشخیص گریه نوزاد از سایر صداهای محیط با استفاده از یادگیری عمیق
- گامی فراتر در پیشگویی پیوند: یک مرور سیستماتیک بر پیشگویی پیوند چندلایه
- بهبود ترافیک شهری در شبکه های بین خودرویی با استفاده از رویکرد پروتکل وضعیت-اتصال و شبکه های عصبی
- بررسی تاثیر بکارگیری توابع ز یان مختلف بر عملکرد مدل خوشه بندی فازی برای داده های فازی در حضور داده های پرت
مقالات فوق اخیرا در حوزه مرتبط با این مقاله به سیویلیکا افزوده شده اند.
طرح های پژوهشی مرتبط جدید
- ملاحظات به کارگیری تصمیم گیری خودکار و هوش مصنوعی در دولت و پارلمان
- درآمدی بر حکمرانی هوش مصنوعی خلاصه راهبردی از: Allan Dafoe, AI Governance: A research agenda , Oxford university, ۲۰۱۸
- هوش مصنوعی در جهان (۶) امارات متحده عربی
- تاملات عقلانی در هوش مصنوعی
- هوش مصنوعی در جهان (۵) (جمهوری هند)
طرح های پژوهشی فوق اخیرا در حوزه مرتبط با این مقاله به سیویلیکا افزوده شده اند.
به اشتراک گذاری این صفحه
اطلاعات بیشتر درباره COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.