软件缺陷(bug)分派是将bug报告与适合解决该bug的开发人员进行匹配的过程,能够使bug得到及时修复.目前的bug分派研究大多集中于bug报告的文本分类,但根据帕累托法则,用以分类的bug报告存在数据分布不均衡现象,容易对非活跃开发者产生较差的分派效果;此外,现有的分类模型忽视了对开发人员的建模且难以挖掘bug与开发人员之间的相关性,影响了bug分派效能.为此,提出一种基于多模态融合的软件缺陷协同分派方法CBT-MF (collaborative bug triaging method based on multimodal fusion).该方法首先对bug报告进行预处理并构造bug-开发人员二部图;其次,为了缓减bug修复记录分布不均衡性的影响,通过K-means和正负采样的方法对二部图数据进行增强;为了表征开发者信息,基于图卷积模型提取二部图节点特征;最后,采用内积匹配的方法捕获bug与开发者的相关性,并通过贝叶斯个性化排序实现bug报告与开发人员的推荐与分派.在公开数据集上进行全面的实验评估,实验结果表明, CBT-MF在bug分派方面相较于多个现有先进方法表现出更优越的性能.
受限于局部感受野,卷积神经网络无法建立足够的长距离依赖关系.一些方法通过将Transformer部署至卷积网络的某些特定部位来缓解这个问题,如网络编码器、解码器或跳跃连接层.但这些方法只能为某些特定特征建立长距离依赖关系,难以捕获大小、形态多样的腹部器官之间的复杂依赖关系.针对该问题,提出了一种交叉增强Transformer (Crossconnection enhanced transformer, CE transformer)结构,并用它作为特征提取单元构建了一种新的多层级编-解码分割网络CE TransNet. CE transformer采用双路径设计,深度融合Transformer与卷积结构,可同时对长、短距离依赖关系进行建模.在双路径中,引入密集交叉连接促进不同粒度信息的交互与融合,提高模型整体特征捕获能力.将CE transformer部署于CE Trans Net的整个编解码路径中,可有效捕捉多器官的复杂上下文关系.实验结果表明,提出方法在WORD和Synapse腹部CT多器官数据集上的平均DSC值分别高达82.42%和81.94%,显著高于多种当前先进方法.
暂无评论