[論文レビュー] Improving Software Effort Estimation Using Neuro-Fuzzy Model with SEER-SEM

Wei Du, Danny Ho+1 more|arXiv (Cornell University)|Jul 24, 2015

Software Engineering Research参考文献 3被引用数 14

ひとこと要約

本稿では、ソフトウェア作業量推定の精度を向上させるために、SEER-SEMの作業量推定アルゴリズムと統合されたニューロ・ファジィモデルを提案する。ニューラルネットワークの学習能力と一般化能力を、ファジィ論理の解釈可能性と組み合わせることで、連続的および言語的入力を併用した状態で推定偏差を低減し、産業界および公表済みのデータを用いた実証的評価において、SEER-SEM単体よりも優れた性能を発揮する。

ABSTRACT

The aims of our research are to evaluate the prediction performance of the proposed neuro-fuzzy model with System Evaluation and Estimation of Resource Software Estimation Model (SEER-SEM) in software estimation practices and to apply the proposed architecture that combines the neuro-fuzzy technique with different algorithmic models. In this paper, an approach combining the neuro-fuzzy technique and the SEER-SEM effort estimation algorithm is described. This proposed model possesses positive characteristics such as learning ability, decreased sensitivity, effective generalization, and knowledge integration for introducing the neuro-fuzzy technique. Moreover, continuous rating values and linguistic values can be inputs of the proposed model for avoiding the large estimation deviation among similar projects. The performance of the proposed model is accessed by designing and conducting evaluation with published projects and industrial data. The evaluation results indicate that estimation with our proposed neuro-fuzzy model containing SEER-SEM is improved in comparison with the estimation results that only use SEER-SEM algorithm. At the same time, the results of this research also demonstrate that the general neuro-fuzzy framework can function with various algorithmic models for improving the performance of software effort estimation.

研究の動機と目的

• 提案されたニューロ・ファジィモデルがSEER-SEMと統合された状態で、ソフトウェア作業量推定の予測性能を評価すること。
• 類似プロジェクト間の推定偏差を低減するために、連続的および言語的入力値を併用すること。
• SEER-SEMのようなアルゴリズム的モデルとニューロ・ファジィ技術を統合することで、推定精度を向上させることの有効性を実証すること。
• さまざまな推定アルゴリズムに適応可能な汎用的なフレームワークを構築すること。

提案手法

• 提案されたモデルは、SEER-SEMアルゴリズムとニューロ・ファジィシステムを統合し、統計的推定とファジィ論理推論の両方の利点を活かす。
• ファジィ推論ルールを用いて、プロジェクトの規模や複雑さといった言語的入力を解釈し、人間の推論に類似した推定を可能にする。
• ニューラルネットワーク部は、履歴データから学習し、トレーニングを通じてファジィルールの重みを調整できる。
• モデルは連続的数値レーティングと言語的記述子の両方を入力として受け入れるため、柔軟性が向上し、入力の変動に対する感受性が低下する。
• ハイブリッド学習メカニズムにより、ファジィルールのパラメータとネットワークの重みを同時に更新することで、一般化能力を向上させ、推定誤差を低減する。
• 産業界および公表済みのソフトウェアプロジェクトデータを用いてフレームワークを検証し、ベースラインのSEER-SEMとの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 SEER-SEMと統合されたニューロ・ファジィモデルは、SEER-SEM単体と比較して、ソフトウェア作業量推定の精度を向上させることができるか？
• RQ2 言語的および連続的入力値を含めることで、類似プロジェクト間の推定偏差にどのような影響が生じるか？
• RQ3 ニューロ・ファジィフレームワークは、さまざまなアルゴリズム的モデルにどの程度一般化可能か？
• RQ4 知識統合と学習能力の統合が、推定性能に与える影響は何か？

主な発見

• SEER-SEMと統合された提案モデルは、SEER-SEM単体で使用した場合と比較して、著しく推定誤差が低減した。
• 連続的および言語的入力の両方を組み込むことで、類似プロジェクト間の推定偏差が低減した。
• ハイブリッド学習メカニズムのおかげで、モデルは効果的な一般化を示し、入力の変動に対する感受性が低下した。
• ドメイン知識と適応的学習を統合することで、ニューロ・ファジィフレームワークがSEER-SEMの性能を効果的に向上させた。
• 産業界および公表済みのデータを用いた実証的評価により、モデルの向上した精度と頑健性が確認された。
• 本研究では、ニューロ・ファジィアーキテクチャが、さまざまなアルゴリズム的モデルと組み合わせてソフトウェア作業量推定に適応可能で効果的であることが確認された。