[論文レビュー] Deep Learning in Software Engineering

Xiaochen Li, He Jiang+3 more|arXiv (Cornell University)|May 13, 2018

Software Engineering Research参考文献 10被引用数 25

ひとこと要約

本論文は、深層学習を統合した98編のソフトウェア工学（SE）論文について文献的分析を実施し、開発プロセスの全段階にわたる41のSEタスクが深層学習によって向上していることを特定した。84.7%の研究が標準的な深層学習モデルを用いていることが明らかになった。これは、実務への広範な導入を実現するため、効果性、効率性、理解可能性、テスト可能性の向上が求められることを示している。

ABSTRACT

Recent years, deep learning is increasingly prevalent in the field of Software Engineering (SE). However, many open issues still remain to be investigated. How do researchers integrate deep learning into SE problems? Which SE phases are facilitated by deep learning? Do practitioners benefit from deep learning? The answers help practitioners and researchers develop practical deep learning models for SE tasks. To answer these questions, we conduct a bibliography analysis on 98 research papers in SE that use deep learning techniques. We find that 41 SE tasks in all SE phases have been facilitated by deep learning integrated solutions. In which, 84.7% papers only use standard deep learning models and their variants to solve SE problems. The practicability becomes a concern in utilizing deep learning techniques. How to improve the effectiveness, efficiency, understandability, and testability of deep learning based solutions may attract more SE researchers in the future.

研究の動機と目的

• 深層学習が開発ライフサイクル全体にわたりソフトウェア工学タスクにどのように統合されているかを理解すること。
• SEにおけるどの段階と具体的なタスクが深層学習技術によって支援されているかを特定すること。
• 既存の深層学習ベースのSEソリューションが実務の現場でどのように利益をもたらしているかを評価すること。
• 深層学習アプローチの実用性を、効果性、効率性、理解可能性、テスト可能性の観点から評価すること。
• 今後の研究を導くために、深層学習のSE分野への導入を改善するための未解決の課題と機会を同定すること。

提案手法

• 深層学習を適用するソフトウェア工学分野の98編の査読済み研究論文を対象に、体系的な文献分析を実施した。
• SE段階（例：要件定義、設計、テスト、保守）および対応する具体的なタスクに基づいて論文を分類した。
• 使用された深層学習モデルを分類し、標準モデル（例：CNN、RNN）とカスタマイズ済みまたはハイブリッドアーキテクチャの違いを明確にした。
• 報告された結果と実装詳細を分析し、モデルの適用可能性と実装上の課題を評価した。
• 研究で報告されたモデルの解釈可能性、学習効率、テスト可能性の程度を評価した。
• 発見を統合し、深層学習におけるSE分野のトレンド、ギャップ、今後の研究方向性を特定した。

実験結果

リサーチクエスチョン

• RQ1 ソフトウェア開発ライフサイクルのどの段階とタスクが深層学習技術によって取り扱われているか？
• RQ2 SE研究で主に使用されている深層学習モデルの種類は何か？また、タスクごとにその傾向はどのように変化しているか？
• RQ3 現在のSE分野における深層学習ソリューションは、効率性、理解可能性、テスト可能性といった実用的懸念をどの程度満たしているか？
• RQ4 ソフトウェア工学現場における深層学習モデルの導入を妨げる主な課題は何か？
• RQ5 今後の研究は、SE分野における深層学習ベースのソリューションの実用性と信頼性をどのように向上させることができるか？

主な発見

• 深層学習は、ソフトウェア開発ライフサイクルの全段階にわたり41の異なるソフトウェア工学タスクに適用されている。
• 分析対象の84.7%の論文が、顕著なアーキテクチャ的変更を加えずに、標準的な深層学習モデル（例：CNN、RNN、オートエンコーダ）およびその変種を用いている。
• 広範な使用にもかかわらず、モデルの解釈可能性、学習効率、テスト可能性に関する懸念のため、SEにおける深層学習の実用性は依然として限定的である。
• 現在の研究において、モデルの理解可能性やテスト可能性への配慮が著しく不足しており、これは実際の現場への導入を妨げる要因となる可能性がある。
• 大多数の研究が、推論速度やリソース使用量といった運用上の制約の十分な評価を欠いたまま、モデルのパフォーマンスに焦点を当てている。
• 今後の研究は、深層学習モデルの効果性、効率性、理解可能性、テスト可能性の向上を最優先にすることで、産業界におけるソフトウェア工学分野への導入を促進すべきである。