Системаҳои пешгӯии нуқсонҳои нармафзор метавонанд бо муайян кардани он ки кадом модулҳои код эҳтимоли бештари доштани нуқсон доранд, ба истифодаи самараноктари захираҳои санҷиш ва бозбинӣ кумак кунанд. Аммо дар маҷмӯаҳои воқеии додаҳои нармафзор модулҳои бенуқсон одатан аз модулҳои нуқсондор хеле бештар мебошанд. Ин номутаносибии синфҳо метавонад боиси он гардад, ки таснифкунанда бо вуҷуди ба назар баланд будани дақиқии умумӣ намунаҳои нуқсондорро аз даст диҳад ё ҳушдорҳои бардурӯғи аз ҳад зиёд тавлид кунад.

Ин таҳқиқот усули Adversarial Influence-Based Intelligent Undersampling (AIIUS) -ро пешниҳод мекунад, ки ба ҷойи кам кардани тасодуфии намунаҳои бенуқсони синфи аксарият нигоҳ доштани намунаҳоеро ҳадаф мегирад, ки аз нуқтаи назари сарҳади қарор муҳимтар ба назар мерасанд. Навоварии асосии усул, яъне Adversarial Influence, чен мекунад, ки ҳангоми татбиқи пертурбатсияи хурд ва ҳадафманд ба як намуна пешгӯии эҳтимоли нуқсони таснифкунандаи ҳадаф то чӣ андоза тағйир меёбад. Намунаҳои аксарияте, ки тағйири пешгӯии онҳо баланд аст, ҳамчун номзадҳои иттилоъбахштар барои рафтори қарории модел афзалият дода мешаванд.

AIIUS аз се марҳилаи асосӣ иборат аст. Аввал намунаҳои бенуқсон бо K-Means кластербандӣ шуда, ҳавзи хурдтари номзадҳо сохта мешавад, ки тақсимоти додаҳоро намояндагӣ мекунад. Сипас дар surrogate MLP-и дифференсиалшаванда пертурбатсияҳои PGD тавлид мешаванд ва ин намунаҳои аслӣ/adversarial ба таснифкунандаи ҳадафи black-box дода шуда, Adversarial Influence ҳисоб карда мешавад. Дар марҳилаи охир номзадҳо аз рӯи influence score тартиб дода шуда, ба теъдоди намунаҳои нуқсондор баробар шумораи намунаҳои бенуқсони дорои таъсири баландтарин нигоҳ дошта мешаванд.

Усул дар 18 маҷмӯаи кушодаи додаҳои нуқсонҳои нармафзор ва панҷ таснифкунандаи гуногун бо шаш усули азнавнамунагирӣ муқоиса мешавад. Манбаъ нисбат ба baseline-ҳои намояндагӣ ба ҳисоби миёна беҳбудии %9,50 дар Balance, %3,43 дар AUC ва %17,02 дар MCC-ро гузориш медиҳад. Бо вуҷуди ин AIIUS дар ҳамаи таснифкунандаҳо ва ҳамаи метрикаҳо натиҷаи баландтарин намедиҳад; бартарӣ махсусан дар нишондиҳандаҳои ба номутаносибии синфҳо тобовартар, аз қабили MCC ва Balance, равшантар аст.

Чаро номутаносибии синфҳо дар пешгӯии нуқсонҳои нармафзор мушкил эҷод мекунад?

Қисми зиёди модулҳои як лоиҳаи нармафзор метавонанд бенуқсон бошанд. Дар ин ҳолат синфи аксарият дар додаҳои омӯзишӣ, яъне намунаҳои бенуқсон, метавонад аз шумораи намунаҳои нуқсондор чанд маротиба ва ҳатто даҳҳо маротиба зиёд бошад.

Дар маҷмӯаҳои додаҳои баррасишуда дар манбаъ нисбати номутаносибӣ

\[ IR=\frac{N_{\mathrm{maj}}}{N_{\mathrm{min}}} \]

муайян карда мешавад. Дар ин ҷо \(N_{\mathrm{maj}}\) шумораи намунаҳои бенуқсони аксарият ва \(N_{\mathrm{min}}\) шумораи намунаҳои нуқсондори ақаллиятро ифода мекунад.

Дар 18 маҷмӯаи додаҳои таҳқиқот ин нисбат тақрибан аз 3,50 то 25,08 тағйир меёбад.

Дар чунин тақсимот моделе, ки танҳо дақиқии умумиро оптимизатсия мекунад, метавонад бо интихоби аз ҳад зиёди синфи аксарият дар зоҳир муваффақияти баланд нишон диҳад. Аммо аз нигоҳи амалӣ ду хато муҳиманд:

• Бенуқсон ҳисоб кардани модули нуқсондор, яъне false negative, метавонад боиси аз назар мондани нуқсони воқеӣ шавад.
• Нуқсондор эълон кардани модули бенуқсон, яъне false positive, метавонад хароҷоти нолозими санҷиш ва бозбиниро ба вуҷуд орад.

Фарқи oversampling ва undersampling

Oversampling кӯшиш мекунад синфи ақаллиятро калонтар кунад. Усулҳое мисли SMOTE байни намунаҳои мавҷудаи нуқсондор нуқтаҳои синтетикӣ месозанд. Ин усул метавонад нисбати синфҳоро мувозинат кунад, аммо хатари зиёд кардани садо ё ҳампӯшонии синфҳо бо намунаҳои синтетикӣ вуҷуд дорад.

Undersampling бошад баъзе намунаҳоро аз синфи аксарият хориҷ мекунад. Бартарии он дар он аст, ки намунаи синтетикии нуқсондор намесозад; аммо кадом намунаҳои аксарият хориҷ мешаванд, аҳамияти ҳалкунанда пайдо мекунад.

Undersampling-и тасодуфӣ метавонад намунаҳои муҳими бенуқсонеро низ хориҷ кунад, ки сарҳади қарорро муайян мекунанд. Нуқтаи оғозии AIIUS маҳз ҳамин аст: ҳамаи намунаҳои аксарият ба як андоза нолозим нестанд.

Adversarial Influence чиро чен мекунад?

Adversarial Influence нишондиҳандаи аҳамияти намуна аст, ки бар вокуниши модел асос ёфта, чен мекунад эҳтимоли пешгӯии таснифкунандаи ҳадаф пас аз пертурбатсияи хурд ва ҳадафманд то чӣ андоза тағйир меёбад. Ҳадаф ин аст, ки ба ҷойи танҳо геометрияи додаҳо ё номуайянии таснифкунанда дар як нуқта, вокуниши модел ба тағйири маҳаллӣ истифода шавад.

Барои намунаи бенуқсони \(x\) ва ҳамтои adversarial-и он \(x_{\mathrm{adv}}\):

\[ \boxed{ I(x)= \left( F_{\mathrm{target}}(x_{\mathrm{adv}}) - F_{\mathrm{target}}(x) \right)^2 } \]

муайян карда мешавад.

Дар ин ҷо:

• \(F_{\mathrm{target}}(x)\): эҳтимоли нуқсоне, ки таснифкунандаи ҳадаф барои намунаи аслӣ медиҳад,
• \(F_{\mathrm{target}}(x_{\mathrm{adv}})\): эҳтимоле, ки барои намунаи пертурбатсияшуда дода мешавад,
• \(I(x)\): қимати Adversarial Influence аст, ки бо квадрати тағйири пешгӯӣ муайян мешавад.

Бо зиёд шудани қимат маълум мешавад, ки модели ҳадаф ба пертурбатсия дар атрофи наздики он намуна ҳассостар аст. Таҳқиқот ин ҳассосиятро ҳамчун сигнали ивазкунанда барои аҳамияти намуна аз нуқтаи назари сарҳади қарор истифода мекунад.

Он аз ченкунии номуайянӣ чӣ фарқ дорад?

Равиши стандартии uncertainty аксар вақт ба он менигарад, ки пешгӯии ҷории таснифкунанда ба остонаи қарор, масалан 0,5, то чӣ андоза наздик аст.

Adversarial Influence бошад саволи дигар медиҳад:

«Агар ба ин нуқта тағйири хурд ва самтдор ворид кунам, пешгӯии модел то чӣ андоза ҳаракат мекунад?»

Аз ин рӯ ченкунӣ бештар ба рафтори вокуниши маҳаллии модел такя мекунад, на ба эҳтимоли статии пешгӯӣ.

Ҳадди муҳими тафсир

Adversarial Influence масофаи мустақими математикии то сарҳади қарор нест ва ҳангоми хориҷ кардани намуна аз маҷмӯаи додаҳо мустақиман ҳисоб намекунад, ки сарҳади модели аз нав омӯзонидашуда то чӣ андоза тағйир меёбад. Ин таҳқиқот онро ҳамчун ченаки instance-importance истифода мекунад, ки аз ҳассосияти маҳаллӣ ба рафтори қарор бароварда шудааст.

Усул ва Натиҷаҳои Таҳқиқот

Се марҳилаи AIIUS

Марҳилаи аввал: ҳавзи номзадҳо бо K-Means

Синфи аксарияти бенуқсон

\[ S_{\mathrm{maj}} \]

бо K-Means коркард мешавад.

Шумораи кластерҳо:

\[ K=\lambda|S_{\mathrm{min}}| \]

муайян карда мешавад.

Дар таҷрибаҳои асосӣ:

\[ \lambda=3 \]

истифода мешавад.

Намунаи воқеии бенуқсоне интихоб мешавад, ки ба сентроиди ҳар кластер наздиктарин аст. Ҳамин тавр тақрибан

\[ 3|S_{\mathrm{min}}| \]

ҳаҷм ҳавзи номзадҳои синфи аксарият ба даст меояд.

Ҳадафи ин марҳила бевосита анҷом додани undersampling-и ниҳоӣ нест. K-Means дар ин ҷо ҳангоми кам кардани шумораи намунаҳое, ки ба арзёбии adversarial ворид мешаванд, ба нигоҳ доштани намояндаҳо аз минтақаҳои гуногуни синфи аксарият хизмат мекунад.

Марҳилаи дуюм: модели surrogate

Дар моделҳои ҳадаф, ба монанди KNN ва Random Forest, градиентҳои лозимии вурудӣ метавонанд мустақиман дастрас набошанд. Аз ин рӯ таҳқиқот:

\[ F_{\mathrm{surrogate}} \]

MLP-и дифференсиалшавандаро, ки бо он нишон дода мешавад, меомӯзонад.

Surrogate барои тақрибан ифода кардани рафтори қарории модели ҳадаф ва муайян кардани самти тавлиди пертурбатсияи PGD истифода мешавад.

Аммо Adversarial Influence-и ниҳоӣ танҳо аз баромади surrogate ҳисоб намешавад. Намунаҳои аслӣ ва adversarial дубора ба таснифкунандаи ҳадаф дода шуда, тағйири воқеии пешгӯии модели ҳадаф чен карда мешавад.

Пертурбатсияи PGD

Барои як намуна ҳолати ибтидоӣ:

\[ x_0=x \]

гирифта мешавад ва итератсияи PGD:

\[ x_{t+1} = \Pi_{\|\delta\|_\infty\leq\epsilon} \left[ x_t+ \alpha\, \mathrm{sign} \left( \nabla_x \mathcal L(F_{\mathrm{surrogate}}(x_t)) \right) \right] \]

ба ин шакл татбиқ мешавад.

Дар ин ҷо:

• \(\epsilon\): андозаи максималии пертурбатсия,
• \(\alpha\): андозаи қадам,
• \(T\): шумораи итератсияҳои PGD.

Ин се параметр ба ҷойи собиткунии дастӣ бо Differential Evolution интихоб мешаванд. Ҳадафи оптимизатсия cross-validated MCC дар додаҳои омӯзишӣ аст.

Марҳилаи сеюм: influence-guided selection

Пас аз ҳисоб кардани холҳои \(I(x)\) барои ҳамаи намунаҳои бенуқсони намоянда, намунаҳо аз калон ба хурд тартиб дода мешаванд.

Бо influence-и баландтарин

\[ |S_{\mathrm{min}}| \]

намунаи бенуқсон интихоб мешавад:

\[ |\widetilde S_{\mathrm{maj}}| = |S_{\mathrm{min}}|. \]

Маҷмӯаи ниҳоии додаҳои мувозинатшуда:

\[ D_{\mathrm{balance}} = \widetilde S_{\mathrm{maj}} \cup S_{\mathrm{min}} \]

ба ин шакл сохта мешавад.

Хулосаи алгоритми AIIUS

1. Додаҳоро ба синфҳои нуқсондор ва бенуқсон ҷудо кун.
2. \(K=\lambda|S_{\mathrm{min}}|\)-ро муайян кун.
3. Намунаҳои бенуқсонро бо K-Means ба \(K\) кластер ҷудо кун.
4. Намунаи воқеии ба сентроиди ҳар кластер наздиктаринро интихоб кун.
5. Surrogate MLP-ро омӯзон.
6. Параметрҳои PGD-ро бо Differential Evolution муайян кун.
7. Барои ҳар намоянда намунаи adversarial тавлид кун.
8. Тавассути Target classifier Adversarial Influence-ро ҳисоб кун.
9. Намунаҳоро аз рӯи influence score тартиб деҳ.
10. \(|S_{\mathrm{min}}|\) намунаи бенуқсони дорои холи баландтаринро нигоҳ дор.
11. Бо намунаҳои нуқсондор якҷо карда, маҷмӯаи омӯзишии 1:1 мувозинатшуда соз.

Маҷмӯаҳои додаҳои таҷрибавӣ

Таҳқиқот аз чор манбаи кушода 18 маҷмӯаи додаҳоро истифода мекунад:

• AEEEM: JDT, LC, ML, PDE
• NASA: CM1, MW1, PC1, PC3, PC4
• PROMISE: ant-1.3, camel-1.0, synapse-1.0, xalan-2.4
• SOFTLAB: AR1, AR3, AR4, AR5, AR6

Шумораи хусусиятҳо тақрибан аз 20 то 61 тағйир меёбад.

Баландтарин нисбати номутаносибӣ дар маҷмӯаи додаҳои PROMISE camel-1.0:

\[ IR=25.08 \]

гузориш шудааст.

Панҷ таснифкунандаи ҳадаф

• K-Nearest Neighbors (KNN)
• Random Forest (RF)
• Decision Tree (TREE)
• Logistic Regression (LR)
• Naive Bayes (NB)

Манбаъ онҳоро бо параметрҳои пешфарзи scikit-learn истифода мекунад.

Шаш baseline

• UFIDSF
• SB-GAN
• Cluster-based undersampling
• Random Undersampling
• Borderline-SMOTE
• SMOTE

Протоколи таҷриба

Аввал ҳар хусусияти ададӣ:

\[ x_i^{(j)} \leftarrow \log(x_i^{(j)}+1) \]

табдил дода мешавад.

Сипас stratified 5-fold cross-validation татбиқ мешавад. Resampling танҳо дар fold-и омӯзишӣ анҷом дода мешавад. Fold-и тестӣ бо тақсимоти аслии синфҳо арзёбӣ мешавад.

Тамоми раванд бо 10 random initialization-и гуногун такрор шуда, миёнаи натиҷаҳо гирифта мешавад.

Нишондиҳандаҳои истифодашудаи самаранокӣ

Probability of Detection / Recall:

\[ PD= \frac{TP}{TP+FN} \]

Probability of False Alarm:

\[ PF= \frac{FP}{TN+FP} \]

Balance:

\[ Balance = 1- \frac{ \sqrt{ PF^2+(1-PD)^2 } }{ \sqrt2 } \]

Илова бар ин AUC ва MCC истифода мешаванд.

MCC махсусан дар таснифоти номутаносиб муфид аст, зеро TP, TN, FP ва FN-ро ҳамзамон ба назар мегирад:

\[ MCC= \frac{ TP\times TN-FP\times FN }{ \sqrt{ (TP+FP)(TP+FN)(TN+FP)(TN+FN) } }. \]

AIIUS нисбат ба усулҳои дигари азнавнамунагирӣ чӣ натиҷа медиҳад?

Тибқи хулосаи умумии манбаъ, AIIUS нисбат ба усулҳои намояндагии baseline ба ҳисоби миёна %9,50 афзоиш дар Balance, %3,43 дар AUC ва %17,02 дар MCC медиҳад. Бартарии устувортар дар MCC ва Balance дида мешавад; аммо усул дар ҳар як комбинатсияи classifier-metric ҷойи аввалро намегирад.

Натиҷаҳои Balance

Масалан, дар RF гарчанде қимати PD-и UFIDSF баланд аст, қимати PF низ то 0,350 мерасад. AIIUS бошад бо комбинатсияи PD=0,768 ва PF=0,189 Balance=0,732-и баландтарро таъмин мекунад.

Ин натиҷа нишон медиҳад, ки AIIUS на танҳо ёфтани нуқсонҳои бештар, балки мувозинат байни ошкор кардани нуқсон ва ҳушдори бардурӯғро ҳадаф мегирад.

Натиҷаҳои AUC

Қиматҳои миёнаи AUC-и AIIUS:

• KNN: 0,723
• LR: 0,755
• NB: 0,691
• RF: 0,760
• TREE: 0,689

Дар RF ва TREE AIIUS баландтарин AUC-и миёнаро медиҳад. Дар KNN, LR ва NB бошад баъзе baseline-ҳо қиматҳои баландтар мегиранд.

Натиҷаҳои MCC

Қиматҳои миёнаи MCC-и AIIUS:

AIIUS дар KNN, NB, RF ва TREE баландтарин MCC-и миёнаро ба даст меорад. Дар LR натиҷаи баландтарин 0,338-и SMOTE аст; AIIUS бо 0,330 каме поёнтар мемонад.

Натиҷаи ҷолиб дар Random Forest

MCC-и миёна барои Random Forest:

AIIUS дар муқоисаи сатҳи маҷмӯаи додаҳо бо UFIDSF дар RF натиҷаи 18/0/0 Win/Draw/Loss мегирад.

Чаро марҳилаи K-Means лозим аст?

K-Means танҳо барои кам кардани хароҷоти ҳисоббарорӣ истифода намешавад. Далели таҳқиқот ин аст, ки нигоҳ доштани танҳо намунаҳои хеле наздик ба сарҳади қарор метавонад минтақаҳои бехатар ва зичи синфи аксариятро комилан бе намояндагӣ гузорад. Аввал гирифтани намояндаҳо аз минтақаҳои гуногуни тақсимот ва сипас интихоби influence-бунёд аз миёни онҳо кӯшиш мекунад ин ду ҳадафро якҷо кунад.

Таҷрибаи clustering-ratio

Манбаъ танзимоти зеринро муқоиса мекунад:

• No-cluster
• \(1\times|S_{\mathrm{min}}|\)
• \(2\times|S_{\mathrm{min}}|\)
• \(3\times|S_{\mathrm{min}}|\)
• \(3.5\times|S_{\mathrm{min}}|\)

Натиҷаи умумӣ:

\[ \boxed{\lambda=3} \]

ин танзим байни самаранокии миёна ва устуворӣ миёни маҷмӯаҳои додаҳо мувозинатноктарин интихоб аст.

Ин натиҷа барои ҳамаи classifier-ҳо монотонӣ нест. Масалан, KNN дар ҳолати no-cluster метавонад дар баъзе миёнаҳо беҳтар бошад; аммо баландтар будани инҳирофи стандартӣ нишон медиҳад, ки усул ба тақсимкунии додаҳо ҳассостар мешавад.

Визуализатсияи PCA

Дар мисоли NASA PC4 манбаъ визуализатсияи се-марҳилаи PCA-ро пешниҳод мекунад:

1. Додаҳои аслии номутаносиб,
2. Намунаҳои бенуқсони намоянда пас аз K-Means,
3. Додаҳои мувозинатшуда пас аз интихоби Adversarial Influence.

Ин визуал мефаҳмонад, ки AIIUS ба ҷойи «тасодуфан буридани синфи аксарият» аз равиши ду-марҳилаи тақсимот + ҳассосияти қарор истифода мекунад.

Оё модели мураккабтари surrogate AIIUS-ро беҳтар мекунад?

Дар манбаъ MLP-и стандартӣ бо меъмориҳои surrogate-и Deep-MLP, CNN ва ResNet муқоиса мешавад. Натиҷаҳо нишон медиҳанд, ки моделҳои мураккабтари surrogate аз нигоҳи MCC бартарии пайваста ва калон намедиҳанд. Дар ин миқёси додаҳо MLP-и стандартӣ ҳамчун тақриби кофии функсияи қарор истифода мешавад.

Дар ин ҷо ҳадаф он нест, ки surrogate бо модели ҳадаф комилан якхела бошад; балки барои тавлиди пертурбатсияи adversarial рафтори қарории ҳадафро ба қадри кофӣ наздик намояндагӣ кунад.

Хароҷоти ҳисоббарории AIIUS

Дар марҳилаи аввал K-Means тақрибан:

\[ O( |S_{\mathrm{maj}}| K d I_{\mathrm{km}} ) \]

хароҷот дорад.

Омӯзиши surrogate:

\[ O(ENd) \]

ва қисми PGD тақрибан:

\[ O(KT) \]

дода мешавад.

Дархостҳои Target classifier:

\[ O(KC_{\mathrm{target}}) \]

ва тартибдиҳии influence score-ҳо:

\[ O(K\log K) \]

хароҷот доранд.

Манбаъ итератсияҳои K-Means ва омӯзишро дар амал константаҳои хурд ҳисобида, сохтори умумиро тақрибан

\[ O\!\left( (|S_{\mathrm{maj}}||S_{\mathrm{min}}|+N)d \right) \]

ҷамъбаст мекунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Ҳассосияти сарҳади қарор метавонад ҳамчун сигнал барои интихоби намунаҳои синфи аксарият истифода шавад.
• AIIUS дар 18 маҷмӯаи додаҳои SDP нисбат ба baseline-ҳои сершумор, махсусан дар MCC ва Balance, натиҷаҳои қавӣ додааст.
• Сохтани ҳавзи номзадҳои андозаи миёна бо K-Means метавонад ҳам самаранокӣ ва ҳам устувориро беҳтар кунад.
• Дар манбаъ нисбати clustering-и \(3\times\) умуман нуқтаи кори мувозинатноктарин аст.
• Surrogate-и стандартии MLP дар ин таҷрибаҳо пайваста аз меъмориҳои мураккабтари surrogate бадтар нест.
• Дар таснифкунандаҳои ҳадафи black-box пертурбатсияҳои тавассути surrogate тавлидшуда метавонанд барои instance ranking истифода шаванд.

Тафсирҳое, ки таҳқиқот дастгирӣ намекунад

• AIIUS дар ҳар маҷмӯаи додаҳо, classifier ва метрика беҳтарин усул нест.
• Adversarial Influence масофаи дақиқи геометриро то сарҳади қарор чен намекунад.
• Influence-и баланд мустақиман нишон намедиҳад, ки хориҷ кардани як намуна сарҳади қарори модели аз нав омӯзонидашударо дақиқан чӣ қадар тағйир медиҳад.
• Таҳқиқот ҳадафи таҳияи ҳамлаи adversarial надорад; пертурбатсияҳо барои чен кардани аҳамияти намуна истифода мешаванд.
• Натиҷаҳоро ба ҳамаи масъалаҳои таснифоти номутаносиб худкорона умумӣ кардан мумкин нест.
• Нишон дода нашудааст, ки хароҷоти иловагии PGD ва surrogate дар муҳитҳои додаҳои калонтар ё вақт-ҳассос ночиз аст.
• Агар модели surrogate рафтори қарории ҳадафро ба қадри кофӣ намояндагӣ карда натавонад, сифати influence ranking метавонад паст шавад.

Қайди Манбаъ ва Усул

Унвони аслӣ: Decision-Boundary Aware Undersampling via Adversarial Influence for Imbalanced Software Defect Prediction

Муаллифон: Shuo Feng, Rongping Li, Jacky Keung, Xiao Yu, Yucheng Shi, Mingliang Xu.

Corresponding author: Yucheng Shi.

Муассисаҳо: School of Computer Science and Artificial Intelligence, Zhengzhou University; Department of Computer Science, City University of Hong Kong; State Key Laboratory of Blockchain and Data Security, Zhejiang University.

Навъи манбаъ: Preprint-и таҳқиқоти таҷрибавӣ дар соҳаи муҳандисии нармафзор ва омӯзиши мошинӣ.

Платформа: SSRN.

SSRN Abstract ID: 6963912.

DOI: 10.2139/ssrn.6963912.

Санаи нашри SSRN: 18 июни 2026.

Вазъи тақриз: PDF-и манбаъ ба таври равшан нишон медиҳад, ки он preprint-и аз тақризи ҳамтоён нагузашта аст.

Равиши ҳуқуқи муаллиф/литсензия: Таҳқиқот моҳи июни 2026 ба SSRN боргузорӣ шудааст. Шарҳи литсензияе, ки SSRN баъдтар нашр кардааст, мегӯяд, ки пеш аз ҷорӣ шудани имкони литсензияи кушода муҳофизати пешфарз all-rights-reserved буд. Азбаски дар манбаъ литсензияи кушодаи CC нишон дода нашудааст, матни Verianla бо равиши муҳофизакоронаи истифодаи такрорӣ омода шудааст; ҷумлаҳои манбаъ ва тарҳҳои аслии фигураҳо дубора нашр нашудаанд.

Додаҳо: 18 маҷмӯаи кушодаи software defect prediction; AEEEM, NASA, PROMISE ва SOFTLAB.

Таснифкунандаҳо: KNN, Random Forest, Decision Tree, Logistic Regression, Naive Bayes.

Усулҳои baseline: UFIDSF, SB-GAN, Cluster, Random Undersampling, Borderline-SMOTE ve SMOTE.

Арзёбӣ: Stratified 5-fold cross-validation, 10 таҷрибаи такрорӣ, MCC, AUC, Balance, PD ва PF.

Омор: Санҷиши Wilcoxon signed-rank, Cliff's delta ва таҳлили Win/Draw/Loss.

Маҳдудияти асосии методологӣ: Adversarial Influence ба тағйироте такя мекунад, ки пертурбатсияҳои тавассути surrogate сохташуда дар пешгӯии target classifier ба вуҷуд меоранд. Аз ин рӯ мутобиқати функсияи қарории surrogate-target яке аз фарзияҳои асосии усул аст.

Бозсозии визуалӣ: Хеле мувофиқ аст. Бо схемаи комилан аслии Verianla метавон feature-space-и номутаносиб, намояндаҳои K-Means, сарҳади қарор, тирҳои пертурбатсияи adversarial, influence ranking ва маҷмӯаи ниҳоии мувозинатшудаи додаҳоро нишон дод.

Verianla Live / Live Figure: Мувофиқ аст. Метавон дар як маҷмӯаи додаҳои консептуалии собит бо аниматсия нишон дод, ки намунаҳо дар фазои қарор чӣ гуна кам карда мешаванд ва танҳо намунаҳои аксарияти дорои influence-и баланд чӣ гуна нигоҳ дошта мешаванд.