Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Enhancing Software Quality Assurance with an Adaptive Differential Evolution based Quantum Variational Autoencoder-Transformer Model

Created by
  • Haebom
Category
Empty

저자

Seshu Babu Barma, Mohanakrishnan Hariharan, Satish Arvapalli

개요

본 논문은 소프트웨어 품질 평가를 향상시키기 위해 인공지능 기반의 새로운 모델인 ADE-QVAET(Adaptive Differential Evolution based Quantum Variational Autoencoder-Transformer Model)을 제안합니다. 기존 모델들의 잡음 데이터, 불균형 데이터, 패턴 인식 복잡성, 비효율적인 특징 추출, 일반화 성능 저하 등의 문제점을 해결하기 위해, 양자 변분 오토인코더-트랜스포머(QVAET)를 이용하여 고차원 잠재 특징을 추출하고 시계열 의존성 및 문맥 관계를 유지함으로써 결함 예측 정확도를 향상시킵니다. 또한, 적응적 미분 진화(ADE) 최적화 기법을 통해 모델의 수렴성과 예측 성능을 향상시킵니다. 제안된 ADE-QVAET 모델은 훈련 데이터의 90%에서 높은 정확도(98.08%), 정밀도(92.45%), 재현율(94.67%), F1-score(98.12%)를 달성합니다.

시사점, 한계점

•
시사점:
◦
소프트웨어 결함 예측의 정확도를 향상시키는 새로운 AI 기반 모델을 제시합니다.
◦
양자 변분 오토인코더-트랜스포머와 적응적 미분 진화 최적화 기법의 효과적인 결합을 보여줍니다.
◦
확장 가능하고 정확한 소프트웨어 결함 예측을 위한 강력한 솔루션을 제공합니다.
◦
훈련 데이터의 90%에서 매우 높은 성능 지표를 달성합니다.
•
한계점:
◦
제시된 모델의 실제 소프트웨어 개발 환경에서의 성능 검증이 부족합니다.
◦
다양한 종류의 소프트웨어 프로젝트에 대한 일반화 성능 평가가 필요합니다.
◦
훈련 데이터의 90%만 사용한 결과이며, 전체 데이터셋에 대한 성능은 제시되지 않았습니다.
◦
ADE-QVAET 모델의 계산 비용 및 복잡도에 대한 분석이 부족합니다.
👍
Made with Slashpage