Advancing software defect prediction through ensemble Xai methods: Insights and performance evaluation
Entegre Xai yöntemleri ̇ile yazılım hata tahmininin geliştirilmesi: Analizler ve performans değerlendirmesi
- Tez No: 895625
- Danışmanlar: DOÇ. DR. AYÇA KOLUKISA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 198
Özet
Bu doktora tezi, Yazılım Hatası Tahmini (SDP) alanındaki Makine Öğrenimi (ML) modellerinin yorumlanabilirliğini ve şeffaflığını Modelden Bağımsız Açıklanabilir Yapay Zeka (XAI) yöntemleri aracılığıyla geliştirmeye yönelik kapsamlı bir araştırma sunmaktadır. Temel amaç, hem lokal (yerel) hem de küresel düzeyde makine öğrenmesi modellerinin karar verme süreçlerini aydınlatmak ve böylece SDP alanındaki paydaşların talep ettiği tahmin gücü ile anlaşılabilirlik arasındaki boşluğu doldurmaktır. Benimsenen metodolojik yaklaşım, diğerlerinin yanı sıra ELI5, SHAP ve LIME gibi XAI tekniklerini kullanan yinelemeli ve keşifsel bir süreci içermektedir. Bu teknikler, her biri SDP'de model yorumlanabilirliği ve şeffaflığının belirli yönlerine odaklanan çok sayıda vaka çalışmasında sistematik olarak uygulanmaktadır. Yinelemeli iyileştirme ve keşif yoluyla araştırma, özelliklerin önemi, lokal tahminlere katkıları ve genel model kararlarına ilişkin içgörüleri ortaya çıkarmaktadır. Ayrıca, çeşitli XAI yöntemlerinden elde edilen özellik önem puanlarını birleştirmek için topluluk modelleme teknikleri entegre edilmiş, böylece tahmin doğruluğu optimize edilirken aynı zamanda yorumlanabilirlik de korunmuştur. Bu araştırma, makine öğrenimi modeli karar verme süreçlerinin kapsamlı bir şekilde anlaşılmasını sağlayarak SDP alanına önemli ölçüde katkıda bulunmaktadır. Geleneksel özellik seçimi ve aykırı değer tespit metodolojilerindeki kritik boşlukları etkili bir şekilde ele alarak modelin yorumlanabilirliğini ve şeffaflığını artırmaktadır. Ayrıca, yorumlanabilirliği korurken tahmin doğruluğunu optimize etmedeki rollerini aydınlatarak, topluluk modelleme yaklaşımları hakkında değerli bilgiler sunmaktadır. Geliştirilen metodolojilerin doğrulanması, titiz ampirik çalışmalar ve karşılaştırmalı analizler yoluyla gerçekleştirilmekte, böylece gerçek dünyadaki SDP senaryolarında etkinlikleri ve kullanılabilirlikleri sağlanmaktadır.
Özet (Çeviri)
This doctoral thesis presents a comprehensive investigation into enhancing the interpretability and transparency of Machine Learning (ML) models in the domain of Software Defect Prediction (SDP) through Model-Agnostic eXplainable Artificial Intelligence (XAI) methods. The primary objective is to elucidate the decision-making processes of ML models, both at individual (local) and global levels, thus bridging the gap between predictive power and comprehensibility demanded by stakeholders in the SDP domain. The methodological approach adopted involves an iterative and exploratory process, utilizing XAI techniques such as ELI5, SHAP, and LIME, among others. These techniques are systematically applied across multiple case studies, each focusing on specific aspects of model interpretability and transparency in SDP. Through iterative refinement and exploration, the research uncovers insights into the importance of features, contributions to individual predictions, and overall model decisions. Furthermore, ensemble modeling techniques are integrated to amalgamate feature importance scores obtained from diverse XAI methods, thereby optimizing predictive accuracy while simultaneously preserving interpretability. This research significantly contributes to the field of SDP by furnishing a thorough understanding of ML model decision-making processes. It enhances model interpretability and transparency, effectively addressing critical gaps in traditional feature selection and outlier detection methodologies. Moreover, it offers valuable insights into ensemble modeling approaches, elucidating their role in optimizing predictive accuracy while maintaining interpretability. Validation of the developed methodologies is conducted through rigorous empirical studies and comparative analyses, thus ensuring their effectiveness and usability in real-world SDP scenarios.
Benzer Tezler
- Gece görüş özellikli iha kullanılarak tarım alanlarının yabani hayvan zararlarına karşı korunması
Protection against wildlife animal damages of agricultural fields by using night visible features
MURAT GÜNEŞ
Yüksek Lisans
Türkçe
2019
Makine MühendisliğiKarabük ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. REFİK POLAT
- Design for additive manufacturing of the Turbojet engine part via topology optimization and structural analysis
Topoloji optimizasyonu ve yapısal analiz ile Turbojet motor parçasının katmanlı imalatı için yeniden tasarımı
FATİH EKİNCİ
Yüksek Lisans
İngilizce
2022
Mühendislik BilimleriGebze Teknik ÜniversitesiEnerji Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MAHMUT AKŞİT
- Döküm prosesindeki katılaşma hızının alüminyum alaşımlı jantların mekanik özelliklerine etkisinin incelenmesi
Investigation of the effect of solidification rate in the casting process on the mechanical properties of aluminum alloy wheels
ÇİĞDEM ŞATIRER
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiEge ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYSUN BALTACI
- İleri sürücü destek sistemleri için bir fonksiyonel güvenlik uygulaması
A functional safety methodology for advanced driver assistance systems
EBRU ÇAĞLAYAN
Yüksek Lisans
Türkçe
2022
Otomotiv Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. SALMAN KURTULAN
- Organik malzemelerin çift enerjili X-ışını güvenlik sistemlerinde görüntülenmesi ve patlayıcı malzemelerin tespiti
Imaging organic materials on dual energy X-ray security systems and detection of explosive material
OZAN YALÇIN
Yüksek Lisans
Türkçe
2021
Fizik ve Fizik Mühendisliğiİstanbul Teknik ÜniversitesiNükleer Araştırmalar Ana Bilim Dalı
PROF. DR. İSKENDER ATİLLA REYHANCAN