[논문 리뷰] Deep Learning in Software Engineering

Xiaochen Li, He Jiang외 3명|arXiv (Cornell University)|2018. 05. 13.

Software Engineering Research참고 문헌 10인용 수 25

한 줄 요약

이 논문은 딥 러닝을 통합한 98편의 소프트웨어 공학(SE) 논문에 대한 문헌 분석을 수행하여, 개발 전 과정에 걸친 41개의 SE 작업이 딥 러닝으로 향상되고 있음을 규명한다. 연구 결과, 84.7%의 논문이 표준 딥 러닝 모델을 사용하고 있음을 확인하였으며, 실무 적용을 위한 효과성, 효율성, 이해 가능성, 테스트 가능성 향상의 필요성을 강조한다.

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.

연구 동기 및 목표

• 딥 러닝이 개발 생애주기 전반에 걸쳐 소프트웨어 공학 작업에 어떻게 통합되고 있는지 이해하기 위해
• 딥 러닝 기술이 활용되고 있는 소프트웨어 공학의 단계와 특정 작업을 특정하기 위해
• 기존의 딥 러닝 기반 SE 솔루션으로부터 실무자들이 어떤 이점을 얻고 있는지 평가하기 위해
• 효과성, 효율성, 이해 가능성, 테스트 가능성에 중점을 두어 현재의 딥 러닝 접근 방식의 실용성을 평가하기 위해
• 딥 러닝의 소프트웨어 공학 분야에서의 도입을 향상시키기 위한 개방된 문제점과 기회를 규명하여 향후 연구를 이끌기 위해

제안 방법

• 소프트웨어 공학 분야에서 딥 러닝을 적용한 98편의 동료 심사를 통과한 학술 논문을 대상으로 체계적인 문헌 분석을 수행하였다.
• 논문을 소프트웨어 공학 단계(예: 요구사항, 설계, 테스팅, 유지보수) 및 다루는 구체적 작업 기준으로 분류하였다.
• 사용된 딥 러닝 모델을 분류하여 표준 모델(예: CNNs, RNNs)과 개조 또는 하이브리드 아키텍처를 구분하였다.
• 보고된 결과 및 구현 세부 사항을 분석하여 모델의 적용 가능성과 실무적 과제를 평가하였다.
• 논문에서 보고된 모델의 해석 가능성, 학습 효율성, 테스트 가능성 수준을 평가하였다.
• 발견된 결과를 종합하여 딥 러닝이 소프트웨어 공학에 응용되는 추세, 격차, 향후 연구 방향을 규명하였다.

실험 결과

연구 질문

• RQ1 소프트웨어 공학 생애주기에서 딥 러닝 기술이 어떤 단계와 작업을 다루고 있는가?
• RQ2 SE 연구에서 주로 사용되는 딥 러닝 모델의 유형은 무엇이며, 이는 작업에 따라 어떻게 다를 수 있는가?
• RQ3 현재 SE 분야의 딥 러닝 솔루션은 효율성, 이해 가능성, 테스트 가능성과 같은 실무적 고려사항을 어느 정도 충족하고 있는가?
• RQ4 실무 적용을 저해하는 주요 과제는 무엇인가?
• RQ5 향후 연구는 어떻게 하면 딥 러닝 기반 솔루션의 실용성과 신뢰성을 향상시킬 수 있는가?

주요 결과

• 딥 러닝은 소프트웨어 개발 생애주기 전반에 걸쳐 41개의 별도의 소프트웨어 공학 작업에 적용되었다.
• 분석된 논문의 84.7%가 표준 딥 러닝 모델(CNNs, RNNs, 오토에인코더 등) 및 그 변종을 사용하며, 아키텍처에 대한 중대한 수정 없이 적용되었다.
• 광범위한 사용에도 불구하고, 모델의 해석 가능성, 학습 효율성, 테스트 가능성에 대한 우려로 인해 SE 분야에서의 딥 러닝 실용성은 여전히 제한되어 있다.
• 현재 연구에서 모델의 이해 가능성과 테스트 가능성에 대한 강조가 뚜렷하게 부족하여 실제 적용 시 장애가 발생할 수 있다.
• 다수의 연구가 추론 속도나 자원 사용량과 같은 운영 제약 조건에 대한 충분한 평가 없이 모델 성능에 집중하고 있다.
• 향후 연구는 딥 러닝 모델의 효과성, 효율성, 이해 가능성, 테스트 가능성 향상을 우선시하여 산업 소프트웨어 공학 분야에서의 도입을 증진시켜야 한다.