paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Is "better data" better than "better data miners"?

“更好的数据”比“更好的数据挖掘器”更好吗?
ICSE Proceedings of the 40th International Conference on Software Engineering2018匹配度 2/10 · 论文属于软件缺陷预测中分类器排序与数据不平衡处理的实证研究,核心是机器学习在软件分析中的应用,而非静态分析、形式化验证、LLM/Agent 交叉或浮点/贝叶斯程序分析。虽然带有“机器学习与程序语言”标签,但研究问题与用户画像的核心方向距离较远。引用 161 inbox
Amritanshu Agrawal, Tim Menzies
crossref: 2026-09-12

AI 速览

一句话:本文指出现有软件分析分类器排序存在系统性偏差,并证明用 SMOTUNED 改善训练数据比仅优化分类器更能提升缺陷预测。

本文关注软件分析中分类器排序研究的一个系统性错误:既有工作往往只在单一指标上评估分类器,且未考察数据变化对结果的影响。为此,作者在 3681 个 Java 类(超过一百万行开源代码)上采用 5×5 交叉验证,并结合多性能指标进行评估;同时使用 SMOTUNED(SMOTE 的自动调参版本)修复训练数据中较弱的区域,以改善类别不平衡。实验表明,SMOTUNED 使 AUC 和召回率分别提升约 60% 与 20%,且该提升不依赖于所用分类器。将 SMOTE 与 SMOTUNED 同最新类不平衡技术比较时也观察到类似改进。论文因此主张:在缺陷预测中,改善数据可能比仅追求更好的数据挖掘器更有效。

问题
既有软件分析研究在排序分类器时未使用多准则评估,也未考虑数据变化,导致结论存在系统性偏差。
方法
采用多性能指标和 SMOTUNED(自动调参 SMOTE)修复训练数据中的弱区域,并在 5×5 交叉验证下评估缺陷预测。
评估
在 3,681 个 Java 类(超过一百万行开源代码)上,SMOTUNED 使 AUC 和召回率分别提升 60% 和 20%,且提升与分类器无关;与 SMOTE 及最新类不平衡方法的对比也显示类似改进。
原文摘要(Abstract)

We report and fix an important systematic error in prior studies that ranked classifiers for software analytics. Those studies did not (a) assess classifiers on multiple criteria and they did not (b) study how variations in the data affect the results. Hence, this paper applies (a) multi-performance criteria while (b) fixing the weaker regions of the training data (using SMOTUNED, which is an auto-tuning version of SMOTE). This approach leads to dramatically large increases in software defect predictions when applied in a 5*5 cross-validation study for 3,681 JAVA classes (containing over a million lines of code) from open source systems, SMOTUNED increased AUC and recall by 60% and 20% respectively. These improvements are independent of the classifier used to predict for defects. Same kind of pattern (improvement) was observed when a comparative analysis of SMOTE and SMOTUNED was done against the most recent class imbalance technique.

链接与引用

DOI 原文 ·

BibTeX
@inproceedings{paperbot4430,
  title = {Is "better data" better than "better data miners"?},
  author = {Amritanshu Agrawal and Tim Menzies},
  booktitle = {ICSE},
  year = {2018},
  doi = {10.1145/3180155.3180197}
}