基于互利式神经主动学习的人机协同增强漏洞报告识别方法

《ACM Transactions on Software Engineering and Methodology》:Human-Machine Co-Boosted Bug Report Identification with Mutualistic Neural Active Learning

【字体: 大 中 小 】 时间:2026年05月12日 来源:ACM Transactions on Software Engineering and Methodology

编辑推荐:

   摘要 错误报告涵盖了多种类型的故障,对于维护软件质量至关重要。然而,错误报告的复杂性和数量不断增加,给人工识别和分配给相应的团队进行处理带来了巨大挑战,因为处理所有报告既耗时又需要大量资源。在本文中,我们介绍了一个跨项目框架——互惠神经主

  

摘要

错误报告涵盖了多种类型的故障,对于维护软件质量至关重要。然而,错误报告的复杂性和数量不断增加,给人工识别和分配给相应的团队进行处理带来了巨大挑战,因为处理所有报告既耗时又需要大量资源。在本文中,我们介绍了一个跨项目框架——互惠神经主动学习(MNAL),旨在通过人机协作来自动且更有效地识别来自GitHub仓库的错误报告。MNAL利用神经语言模型来学习并泛化不同项目中的报告,并结合主动学习机制来实现这一点。MNAL的一个显著特点是,在丰富学习知识的过程中,它巧妙地设计了机器学习者(神经语言模型)与人类标注者(开发者)之间的互惠关系。也就是说,最具有信息价值的人类标注报告及其对应的伪标注报告被用来更新模型,而那些需要由开发者标注的报告则更加易读和易识别,从而增强了人机协作的效果。我们使用一个包含来自超过1, 275, 881个软件项目的报告集,与最先进的方法、基准测试以及不同的变体进行了对比。结果表明,MNAL在人类标注过程中的可读性和可识别性方面分别实现了高达95.8%和196.0%的努力减少,并且在错误报告识别方面取得了更好的性能(例如F1分数)。此外,MNAL具有模型不可知性,因为它能够通过各种不同的神经语言模型来提升模型性能。为了进一步验证我们方法的有效性,我们进行了一个包含10名参与者的定性案例研究,他们认为MNAL更有效,同时节省了更多的时间和资金资源。数据集和代码已公开发布在https://github.com/ideas-labo/MNAL。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号