ICMLDec, 2018

新软件项目缺陷密度预测的 v-SVR 多项式核方法

PDF
TL;DR本文研究了使用支持向量回归（SVR）来预测 International Software Benchmarking Standards Group（ISBSG）Release 2018 数据集中新软件项目的缺陷密度（DD），实验表明 v-SVR 与多项式核比简单线性回归（SLR）在第三代编程语言下开发主机上的新软件项目的预测准确性更好。
software processdefect densitysupport vector regressionpredictive modelisbsg
发现论文，激发创造
  • 使用单类支持向量机进行软件缺陷预测的研究

    本文研究软件缺陷预测技术，探讨了单类支持向量机在缺陷预测方面的应用，通过大规模实证研究得出单类支持向量机在跨版本和跨项目方面的预测效果优于同类别模型，在实例稀缺或不可用时适用。

    Feb, 2022

  • 支持向量数据描述的核带宽选择的痕迹准则

    该研究提出了一种新的无监督方法来选择高斯核带宽值，其利用核矩阵的低秩表示来建议带宽值，该方法在低维数据上与现有技术相当，对许多类高维数据表现极好。

    Nov, 2018

  • 基于正交多项式核的微分代数方程机器学习模型

    利用最小二乘支持向量回归算法，将其应用于解决常微分代数方程组（DAEs），通过建立最小二乘支持向量回归、加权残差法和 Legendre 正交多项式之间的联系，提出了一种新颖的以算子形式求解 DAEs 的方法。通过模拟各种 DAE 场景，如非线性系统、分数阶导数、积分微分和偏微分 DAE，评估了所提出方法的有效性，并与现有的先进方法进行了比较，显示其可靠性和有效性。

    Jan, 2024

  • 评估分类算法和支持向量机内核对干豆分类效果的影响

    通过对 Dry Bean 数据集的分析，支持向量机（SVM）的径向基函数（RBF）算法在准确率、精度、召回率和 F1 得分等方面均表现最佳，这为复杂和非线性结构数据集中考虑不同 SVM 算法的重要性提供了宝贵的指导。

    Jul, 2023

  • 深度支持向量

    通过实证研究表明，深度学习模型中的深度支持向量（Deep Support Vectors，DSVs）类似于支持向量机（Support Vector Machines，SVM）中的支持向量，从而为解释模型的决策标准提供了一种切实可行的方法。此外，我们的发现表明，可以使用 DSVs 有效地重建模型，类似于 SVM 的过程。代码将会提供。

    Mar, 2024

  • 一种高效的核生存支持向量机训练算法

    本文提出了一种高效的核存活支持向量机 (SSVM) 训练算法，通过直接优化主要目标函数，采用截断牛顿优化和随机统计树，降低了与现有训练算法相比的计算复杂度，并证明其可以用于规模更大的数据。

    Nov, 2016

  • 自动核带宽选择的均值和中位数准则支持向量数据描述

    本研究提出了一种新的自动，非监督的方法来选择高斯核带宽以优化 Support vector data description (SVDD) 算法的性能。

    Aug, 2017

  • 插值和 SVM 之间的新等效性：核和结构化特征

    该论文介绍了一种新的和灵活的分析框架，可用于证明任意再生核希尔伯特空间中的支持向量机，并且在独立亚高斯特征和一般有界正交系统家族（例如傅里叶特征）中的特征两个方面都表现出支持向量增殖现象，这些实验未能覆盖。

    May, 2023

  • 支持向量回归的精准性能分析

    本文研究支持向量回归问题，特别关注样本的高维情况下，硬性支持向量回归的可实现性以及软性支持向量回归的测试风险与参数之间的关系，并应用结果优化算法参数选择策略，结果表明在参数优化时增加更多的样本并不总是有益，与现代学习结构中观察到的现象相似。

    May, 2021

  • 领域自适应和最大间隔原则的跨项目软件漏洞检测

    本文提出了一种基于深度领域自适应和跨域核分类器的端到端方法，解决软件漏洞检测中的自动表示和标记数据集不足等关键问题。实验结果表明，该方法在 F1-Measure 等指标上的性能显著优于现有方法。

    Sep, 2022