[논문 리뷰] Improving Software Effort Estimation Using Neuro-Fuzzy Model with SEER-SEM

Wei Du, Danny Ho외 1명|arXiv (Cornell University)|2015. 07. 24.

Software Engineering Research참고 문헌 3인용 수 14

한 줄 요약

이 논문은 소프트웨어 노력 추정 정확도를 향상시키기 위해 SEER-SEM 노력 추정 알고리즘과 통합된 신경-퍼지 모델을 제안한다. 신경망의 학습 능력과 일반화 능력, 퍼지 논리의 해석 가능성 특성을 결합함으로써, 이 모델은 연속적이고 언어적 입력을 모두 사용하여 추정 이격도를 감소시키고 성능을 향상시킨다. 산업계 및 공개된 데이터를 활용한 실증 평가에서 SEER-SEM 단독 사용 대비 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• SEER-SEM을 통합한 신경-퍼지 모델의 소프트웨어 노력 추정 예측 성능을 평가하는 것.
• 유사한 프로젝트 간 추정 이격도를 해소하기 위해 연속적 및 언어적 입력 값 모두를 통합하는 것.
• SEER-SEM과 같은 알고리즘 모델과 신경-퍼지 기법을 통합함으로써 추정 정확도를 향상시키는 효과를 입증하는 것.
• 다양한 추정 알고리즘에 적용 가능한 일반화 가능한 프레임워크를 개발하는 것.

제안 방법

• 제안된 모델은 통계적 추정과 퍼지 논리 추론의 이점을 동시에 활용하기 위해 SEER-SEM 알고리즘과 신경-퍼지 시스템을 통합한다.
• 퍼지 추론 규칙는 프로젝트 규모나 복잡성과 같은 언어적 입력을 해석하여 추정 과정에 인간과 유사한 추론 능력을 부여한다.
• 신경망 구성 요소는 과거 데이터에서 학습하고 퍼지 규칙 가중치를 학습 과정을 통해 조정함으로써 모델의 적응 능력을 향상시킨다.
• 모델은 연속적인 수치적 평가와 언어적 서술어를 모두 입력으로 수용함으로써 유연성을 향상시키고 입력 변동에 대한 민감도를 감소시킨다.
• 하이브리드 학습 메커니즘은 퍼지 규칙 매개변수와 네트워크 가중치를 동시에 업데이트하여 일반화 능력 향상과 추정 오차 감소를 달성한다.
• 기본 모델인 SEER-SEM과의 성능 비교를 위해 산업계 및 공개된 소프트웨어 프로젝트 데이터를 활용해 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 SEER-SEM과 통합된 신경-퍼지 모델은 SEER-SEM 단독 사용 대비 소프트웨어 노력 추정 정확도를 향상시킬 수 있는가?
• RQ2 언어적 및 연속적 입력 값의 포함 여부가 유사 프로젝트 간 추정 이격도에 어떤 영향을 미치는가?
• RQ3 신경-퍼지 프레임워크는 노력 추정에서 다양한 알고리즘 모델에 대해 어느 정도 일반화될 수 있는가?
• RQ4 지식 통합과 학습 능력의 통합이 추정 성능에 어떤 영향을 미치는가?

주요 결과

• SEER-SEM과 통합된 제안된 신경-퍼지 모델은 SEER-SEM을 단독으로 사용한 경우보다 추정 오차가 유의미하게 감소했다.
• 연속적 및 언어적 입력을 모두 통합함으로써 유사 프로젝트 간 추정 이격도가 감소했다.
• 하이브리드 학습 메커니즘 덕분에 모델은 효과적인 일반화 능력을 보였고 입력 변동에 대한 민감도가 감소했다.
• 도메인 지식 통합과 적응형 학습을 통해 신경-퍼지 프레임워크는 SEER-SEM의 성능을 성공적으로 향상시켰다.
• 산업계 및 공개된 데이터를 활용한 실증 평가를 통해 모델의 향상된 정확도와 강건성을 확인했다.
• 이 연구는 신경-퍼지 아키텍처가 다양한 알고리즘 모델과 결합될 경우 적응 가능하고 효과적임을 확인한다.