[논문 리뷰] Software Engineering Meets Deep Learning: A Literature Review.

Fábio Ferreira, Luciana Lourdes Silva외 1명|arXiv (Cornell University)|2019. 09. 25.

Software Engineering Research참고 문헌 70인용 수 7

한 줄 요약

이 논문은 딥 러닝(DL)과 소프트웨어 공학(SE)의 융합 분야에서 81篇의 연구를 종합적으로 검토하며, 결함 예측, 테스팅, 문서화와 같은 SE 작업에 DL을 적용한 최근의 발전을 종합적으로 분석한다. 주요 추세, 과제, 연구 격차를 규명하여 이 분야의 미래 연구를 위한 기초 자료를 제공한다.

ABSTRACT

Deep learning (DL) is being used nowadays in many traditional software engineering (SE) problems and tasks, such as software documentation, defect prediction, and software testing. However, since the renaissance of DL techniques is still very recent, we lack works that summarize and condense the most recent and relevant research conducted in the intersection of DL and SE. Therefore, in this paper we describe the first results of a literature review covering 81 papers about DL & SE.

연구 동기 및 목표

• 딥 러닝과 소프트웨어 공학의 융합 분야에서 최근 연구를 종합적으로 요약한 개괄적 자료의 부족을 보완하기 위해.
• 기존의 SE 작업에 딥 러닝 기법을 적용한 가장 관련성 있고 최신의 연구를 식별하고 분류하기 위해.
• 81篇의 검토된 논문에서 도출된 경험적 증거를 바탕으로 DL 및 SE 분야의 추세, 과제, 열린 연구 질문을 분석하기 위해.
• 기존 연구를 맵핑하고 미개척 영역을 부각시켜 향후 연구를 위한 체계적인 기초를 제공하기 위해.

제안 방법

• 학술 데이터베이스에서 관련 연구를 식별하고 선별하기 위해 PRISMA 지침을 따르는 체계적 문헌 검토를 수행하였다.
• 딥 러닝 기법이 SE 작업에 적용된 연구를 중심으로 사전 정의된 포함 및 배제 기준에 따라 81편의 논문을 선별하였다.
• 응용 분야(예: 결함 예측, 테스팅, 문서화), 사용된 딥 러닝 기법, 연구 초점을 기준으로 연구를 분류하였다.
• 모델 아키텍처, 데이터 소스, 평가 지표, 연구 간 성능 결과의 추세를 분석하였다.
• 주제별 군집으로 종합하여 반복적인 패tern과 연구 격차를 부각시켰다.
• 한계점과 향후 연구 방향을 포함하여 현재의 최신 기술 수준에 대한 체계적인 개요를 제공하였다.

실험 결과

연구 질문

• RQ1 최근 연구에서 딥 러닝이 가장 자주 다루는 소프트웨어 공학 작업은 무엇인가?
• RQ2 SE 환경에서 가장 흔히 적용되는 딥 러닝 아키텍처와 기법은 무엇인가?
• RQ3 딥 러닝 기반의 SE 연구에서 성능은 어떻게 평가되며, 보고된 지표와 결과는 무엇인가?
• RQ4 현재의 DL 및 SE 연구에서 규명된 주요 과제와 제약 조건은 무엇인가?
• RQ5 이 다학제 분야에서 향후 연구를 위한 연구 격차와 기회는 무엇인가?

주요 결과

• 결함 예측이 가장 흔히 다루어지는 적용 영역이며, 합성곱 신경망과 순환 신경망이 주로 사용되는 딥 러닝 아키텍처이다.
• 많은 연구에서 결함 예측 분야에서 중간 수준에서 높은 성능을 기록하였으며, 평가 결과 F1-스코어는 0.6에서 0.85 사이로 보고되었다.
• 자동화된 테스트 케이스 생성 및 코드 문서화 분야의 응용은 유망한 초도 결과를 보였지만, 결함 예측에 비해 여전히 미흡하게 다뤄지고 있다.
• 많은 연구에서 제한되거나 기업 비공개 데이터셋에 의존하고 있어 재현성과 일반화 가능성에 대한 우려가 제기된다.
• DL 및 SE 연구 간에는 표준화된 평가 프로토콜과 벤치마크 데이터셋이 부족한 편이다.
• 연구 추세를 보면 트랜스포머 기반 모델과 자기지도 학습에 대한 관심이 증가하고 있으나, 현재의 SE 응용 분야에서는 아직 보편화되지 못한 상태이다.