[논문 리뷰] Software Effort Estimation using Neuro Fuzzy Inference System: Past and Present

Aditi Sharma, Ravi Ranjan|arXiv (Cornell University)|2019. 12. 26.

Software Engineering Research참고 문헌 17인용 수 4

한 줄 요약

이 논문은 인공신경망과 퍼지 논리의 조합을 통해 정확도를 향상시키기 위해 소프트웨어 노력 추정을 위한 신경 퍼지 추론 시스템(NFIS)을 제안한다. 하이브리드 모델은 복잡하고 불확실한 소프트웨어 개발 데이터에 적응할 수 있으며, 전통적 모델 대비 추정 오차를 감소시키는 데 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 프로젝트 실패의 주요 원인인 정확도가 떨어지는 소프트웨어 노력 추정 문제를 해결한다.
• 비선형성과 불확실성을 반영하지 못하는 전통적 추정 모델의 한계를 극복한다.
• 신경망과 퍼지 논리를 통합한 하이브리드 접근법을 개발하여 추정 정밀도와 내구성을 향상시킨다.
• 실제 데이터를 사용하여 기존 모델과 비교해 신경 퍼지 추론 시스템(NFIS)의 성능을 평가한다.
• 소프트웨어 프로젝트 관리자가 기반 자료에 기반한 실용적인 솔루션을 제공하여 기획 및 자원 배분을 향상시킨다.

제안 방법

• 퍼지 논리의 규칙 기반 추론과 신경망의 적응 학습을 조합한 신경 퍼지 추론 시스템(NFIS)을 활용한다.
• 퍼지 추론을 사용해 소프트웨어 노력 추정의 언어적 변수와 불확실성(예: '작음', '중간', '크다')을 모델링한다.
• 역전파를 통해 소속 함수와 규칙 가중치를 조정하기 위해 이전 소프트웨어 프로젝트 데이터로 NFIS를 훈련시킨다.
• 프로젝트 크기, 복잡도, 팀 경험 등의 입력 특징을 퍼지 추론 프레임워크에 통합한다.
• 학습 데이터의 예측 오차를 최소화하기 위해 반복적 학습을 통해 시스템을 최적화한다.
• 실제 데이터셋을 사용하여 모델을 검증하고, COCOMO 및 선형 회귀와 같은 전통적 모델과 성능을 비교한다.

실험 결과

연구 질문

• RQ1 NFIS 모델은 기존의 전통적 소프트웨어 노력 추정 모델 대비 정확도에서 어떻게 비교되는가?
• RQ2 신경망과 퍼지 논리의 통합은 불확실한 소프트웨어 환경에서 추정의 내구성을 얼마나 향상시킬 수 있는가?
• RQ3 적응 학습은 소프트웨어 예측의 오차 감소에 어떤 영향을 미치는가?
• RQ4 NFIS 모델은 소프트웨어 프로젝트에서 흔한 비선형 관계와 모호한 입력을 효과적으로 처리할 수 있는가?
• RQ5 NFIS는 다양한 소프트웨어 개발 환경과 데이터 분포에서 어떻게 성능을 발휘하는가?

주요 결과

• NFIS 모델은 COCOMO 및 선형 회귀와 같은 기존 모델 대비 평균 상대 오차의 크기(MMRE)를 크게 감소시킨다.
• 하이브리드 시스템은 비선형성과 모호한 데이터에 대한 적응 능력이 향상되어 순수 통계적 또는 규칙 기반 모델보다 뛰어난 성능을 보인다.
• 신경망 학습을 통해 NFIS는 이전 프로젝트 데이터에서 복잡한 패턴을 학습할 수 있으며, 이는 예측 정확도 향상에 기여한다.
• 퍼지 논리 구성 요소는 프로젝트 복잡도와 같은 언어적 및 주관적 입력을 더 효과적으로 처리할 수 있도록 한다.
• 다양한 소프트웨어 프로젝트 유형에서 높은 예측 정확도를 달성하여 강력한 일반화 능력을 보여준다.
• 실증 결과에 따르면, 테스트된 데이터셋에서 NFIS 모델은 기준 모델 대비 추정 오차를 최대 30% 감소시켰다.