Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda

Afrić, Petar

prikaz prve stranice dokumenta Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda

doctoral thesis

Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda

Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. urn:nbn:hr:168:169334

Afrić, Petar

University of Zagreb
Faculty of Electrical Engineering and Computing
Department of Electronics, Microelectronics, Computer and Intelligent Systems

Cite this document

APA 6th Edition

Afrić, P. (2023). Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda (Doctoral thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:169334

MLA 8th Edition

Afrić, Petar. "Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda." Doctoral thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:169334

Chicago 17th Edition

Harvard

Afrić, P. (2023). 'Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda', Doctoral thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 21 January 2025, https://urn.nsk.hr/urn:nbn:hr:168:169334

Vancouver

Afrić P. Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda [Doctoral thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2023 [cited 2025 January 21] Available at: https://urn.nsk.hr/urn:nbn:hr:168:169334

IEEE

P. Afrić, "Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda", Doctoral thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:168:169334

Cite this item: https://urn.nsk.hr/urn:nbn:hr:168:169334

Please login to the repository to save this object to your list.

Metadata

Title	Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda
Title (english)	Source code defect prediction based on anomaly detection using semantic features extracted by applying autoencoders to lexical source code representations
Author	Petar Afrić
Mentor	Marin Šilić (mentor)
Committee member	Goran Delač (predsjednik povjerenstva)
Committee member	Klemo Vladimir (član povjerenstva)
Committee member	Tomislav Rolich (član povjerenstva)
Granter	University of Zagreb Faculty of Electrical Engineering and Computing (Department of Electronics, Microelectronics, Computer and Intelligent Systems) Zagreb
Defense date and country	2023-09-14, Croatia
Scientific / art field, discipline and subdiscipline	TECHNICAL SCIENCES Computing
Universal decimal classification (UDC)	004 - Computer science and technology. Computing. Data processing
Abstract	Cilj predviđanja pogrešaka u izvornom programskom kôdu je otkrivanje neispravnih programskih modula kako bi se što bolje alocirali ograničeni resursi za osiguravanje kvalitete programskog kôda. Prilikom izgradnje podatkovnih skupova, za razvoj modela za predviđanje pogrešaka u izvornom programskom kôdu, podatci se uzimaju iz sustava za praćenje zadataka i sustava za kontrolu verzija izvornog programskog kôda. Kvaliteta podataka u ovim izvorima utječe na rad i evaluaciju razvijenih modela. Klasifikacija zadataka je bitna jer se kasnije koristi za određivanje ispravnosti programskih modula koji će biti korišteni za treniranje modela. Dodatno, podatkovni skupovi korišteni za predviđanje pogrešaka programske potpore su često neuravnoteženi, sadržavajući veći broj primjera programskih modula nesklonih pogreškama nego onih sklonih pogreškama. U sklopu ove disertacije istražen je utjecaj klasifikacije zadataka na kvalitetu podatkovnih skupova za predviđanje pogrešaka programske potpore i rad modela treniranih na tim skupovima. Dodatno, predložen je model koji problem tretira kao problem detekcije anomalije čime zaobilazi problem neuravnoteženosti razreda.
Abstract (english)	The goal of source code defect prediction is to identify defective software modules to better allocate limited resources used for source code quality assurance. During the construction of datasets used to train source code defect prediction models, data is gathered from issue tracking systems and version control systems. The quality of this data impacts the quality and evaluation of developed source code defect prediction models. Issue classification is important as its results are used to determine the defectiveness of software modules which are then used to train source code defect prediction models. Additionally, source code defect prediction datasets often suffer from a class imbalance problem containing far more examples of non-defective program modules than defective ones. This dissertation investigates the impact of issue classification on source code defect prediction datasets and resulting models. It also proposes an anomaly-detection based model thus sidestepping the class imbalance problem.
Keywords
Keywords (english)
Language	croatian
URN:NBN	urn:nbn:hr:168:169334
Promotion	2024
Study programme	Title: Computer Science Study programme type: university Study level: postgraduate Academic / professional title: Doktor znanosti (Doktor znanosti)
Type of resource	Text
Extent	ii, 134 str. : graf. prikaz, ilustr. u boji 30 cm.
File origin	Born digital
Access conditions	Open access
Terms of use
Repository	FER Repository
Created on	2024-04-08 12:22:08