[論文レビュー] Software Effort Estimation using Neuro Fuzzy Inference System: Past and Present

Aditi Sharma, Ravi Ranjan|arXiv (Cornell University)|Dec 26, 2019

Software Engineering Research参考文献 17被引用数 4

ひとこと要約

本論文は、人工ニューラルネットワークとファジィ論理を組み合わせることで、推定精度を向上させるために神経ファジィ推論システム（NFIS）を提案している。このハイブリッドモデルは、複雑で不確実なソフトウェア開発データに適応でき、推定誤差を低減する点で、従来のモデルよりも優れた性能を示している。

ABSTRACT

Most important reason for project failure is poor effort estimation. Software development effort estimation is needed for assigning appropriate team members for development, allocating resources for software development, binding etc. Inaccurate software estimation may lead to delay in project, over-budget or cancellation of the project. But the effort estimation models are not very efficient. In this paper, we are analyzing the new approach for estimation i.e. Neuro Fuzzy Inference System (NFIS). It is a mixture model that consolidates the components of artificial neural network with fuzzy logic for giving a better estimation.

研究の動機と目的

• プロジェクト失敗の主な要因である不正確なソフトウェア作業量推定という重要な課題に取り組む。
• 非線形で不確実なソフトウェア開発データに適応できない従来の推定モデルの限界を克服する。
• ニューラルネットワークとファジィ論理を統合したハイブリッドアプローチを開発し、推定の精度と頑健性を向上させる。
• 実証データを用いて、神経ファジィ推論システム（NFIS）の性能を既存モデルと比較する。
• ソフトウェアプロジェクトマネージャーが計画とリソース配分を改善できる実用的でデータ駆動型のソリューションを提供する。

提案手法

• ファジィ論理によるルールベース推論とニューラルネットワークによる適応的学習を統合した神経ファジィ推論システム（NFIS）を採用する。
• ファジィ推論を用いて、ソフトウェア作業量推定における言語的変数と不確実性（例：「小」、「中」、「大」の作業量）をモデル化する。
• バックプロパゲーションを用いて、履歴的なソフトウェアプロジェクトデータを用いて、所属関数とルール重みを調整する。
• プロジェクトの規模、複雑さ、チームの経験といった入力特徴をファジィ推論フレームワークに統合する。
• 学習の反復を繰り返し、訓練データにおける予測誤差を最小化するようにシステムを最適化する。
• 実世界のデータセットを用いてモデルを検証し、COCOMO や線形回帰といった従来モデルとその性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 NFISモデルは、従来のソフトウェア作業量推定モデルと比較して、どの程度高い精度を示すか？
• RQ2 ニューラルネットワークとファジィ論理の統合は、不確実なソフトウェア環境における推定の頑健性をどの程度向上できるか？
• RQ3 適応的学習は、ソフトウェア作業量予測における推定誤差低減にどのような影響を及ぼすか？
• RQ4 NFISモデルは、ソフトウェアプロジェクトに一般的に見られる非線形関係と曖昧な入力に対処できるか？
• RQ5 NFISモデルは、多様なソフトウェア開発の文脈とデータ分布において、どの程度の性能を示すか？

主な発見

• NFISモデルは、COCOMO や線形回帰といった従来モデルと比較して、相対誤差の平均絶対値（MMRE）を顕著に低減している。
• ハイブリッドシステムは、非線形で曖昧なデータへの適応性が向上しており、純粋な統計的またはルールベースのモデルを上回る性能を示している。
• ニューラルネットワークの学習により、NFISは履歴的プロジェクトデータから複雑なパターンを学習でき、予測精度が向上している。
• ファジィ論理のコンponentsにより、プロジェクトの複雑さといった言語的で主観的な入力も、より効果的に処理できるようになっている。
• さまざまなソフトウェアプロジェクトタイプにおいて、高い予測精度を達成しており、優れた一般化能力を示している。
• 実証結果から、テストされたデータセットにおいて、NFISモデルはベースラインモデルと比較して推定誤差を最大30％まで低減していることが示された。