Feb, 2022

使用单类支持向量机进行软件缺陷预测的研究

PDF
TL;DR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。
software defect identificationdefect predictionone-class classificationsupport vector machinesoftware quality
发现论文，激发创造
  • 一类支持向量机

    本文介绍了一种名为 OCSSVM 的单类切片支持向量机分类器，通过使用双平面来学习目标类别决策分数的正常区域，减少误判率，提高检测新类别实例的准确性，实验结果表明，OCSSVM 在两个公共数据集上始终优于单类支持向量机，并与最先进的单类分类器表现相当甚至更好。

    Aug, 2016

  • 基于单一类支持度测量的小组异常检测模型

    该论文提出了一种名为 OCSMMs 的分类器，可以用于识别数据点的异常聚合行为，该分类器将正常行为视为极端少数事件，并生成一个概率分布进行判定。论文连接了大边界方法和核密度估计，提出以分布量化估计的方式解决问题。在 Sloan 数码天景调查数据集和高能物理学数据集上开展的实验表明了该框架在实际应用中的好处。

    Mar, 2013

  • 新软件项目缺陷密度预测的 v-SVR 多项式核方法

    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。

    Dec, 2018

  • 多成本场景下支持向量机

    我们提出了一种新颖的支持向量机模型，通过在问题表达中引入性能约束来考虑误分类成本。具体而言，我们的目标是寻求具有最大间隔的超平面，使得误分类率低于给定的阈值。通过解决一个具有线性约束和整数变量的二次凸问题来获得最大间隔超平面。我们的实验结果表明，我们的模型可以使用户在一个类别上对误分类率进行控制，并且运行时间可行。

    Dec, 2023

  • 数据分类的增量一类模型

    本研究旨在提出一种能够处理起始数据集非常小、能够根据不断变化的数据自适应调整的分类框架，以此为基础，提出了增量协方差导向一类支持向量机，通过控制新数据点引起的支持向量变化，取得了在人工和真实数据集上的显著分类表现。

    Oct, 2016

  • 利用特权信息的一类支持向量机及其在恶意软件检测中的应用

    本文提出了一种新的一类分类方法，可以在训练阶段考虑到特殊信息，并使用合成数据集和公开数据集进行性能评估。

    Sep, 2016

  • 高效训练单类分类支持向量机

    该研究通过使用一种高效的训练方法来进行一类分类，并介绍了一种有效的算法用于双软边界一类支持向量机训练，该方法利用了增广 Lagrangian (AL-FPGM) 和 Fast Projected Gradient Method (FPGM) 的变体来进行训练。实证研究证明该策略在真实世界数据集上取得了显著的结果。

    Sep, 2023

  • 成本敏感的支持向量机概率预测

    提供了一种生成支持向量机的概率输出的新方法，利用集成方法和自举估计，能够处理不平衡数据集，并在广泛的数据集测试中展现了优势。

    Oct, 2023

  • 数据分类的一种 SVM 方法替代方案

    支持向量机（SVM）是一种流行的用于数据分类的核方法，本文提出一种基于最佳子空间的最小距离的新方法，以解决 SVM 存在的时间处理、高维情况下优化过程失败、多类别泛化、不平衡类别和动态分类的问题，并取得了类似的性能改进。

    Aug, 2023

  • 可扩展解释性深度学习和随机傅里叶特征的单类支持向量机

    提出了基于自编码器的一类支持向量机（AE-1SVM）模型，结合表示学习架构，采用随机傅里叶特征来逼近径向基核，集成了终端到终端的训练，可用于异常检测，并且拓展了深度学习在异常检测中的可能应用，并且，该模型在无监督的异常检测任务中表现显著优于之前采用分离训练的工作。

    Apr, 2018