[논문 리뷰] A Neuro-Fuzzy Model for Function Point Calibration

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

Software Engineering Research참고 문헌 17인용 수 34

한 줄 요약

이 논문은 소프트웨어 노력 추정의 정확도를 향상시키기 위해 기능점(FP) 복잡도 가중치를 재보정하기 위한 신경-퍼지 모델을 제안한다. 신경망 학습과 전문 지식을 코딩할 수 있는 퍼지 논리의 능력을 조합함으로써, 모델은 ISBSG 리lease 8 데이터를 사용하여 FP 가중치를 적응적으로 조정하며, 전통적인 보정 방법에 비해 추정 정확도가 22% 향상된다.

ABSTRACT

The need to update the calibration of Function Point (FP) complexity weights is discussed, whose aims are to fit specific software application, to reflect software industry trend, and to improve cost estimation. Neuro-Fuzzy is a technique that incorporates the learning ability from neural network and the ability to capture human knowledge from fuzzy logic. The empirical validation using ISBSG data repository Release 8 shows a 22% improvement in software effort estimation after calibration using Neuro-Fuzzy technique.

연구 동기 및 목표

• 현재 소프트웨어 산업 트렌드와 애플리케이션 특성에 맞는 업데이트된 기능점(FP) 복잡도 가중치 보정이 필요하다는 문제를 해결하기 위해.
• 실제 데이터 기반으로 동적으로 FP 가중치를 조정하여 소프트웨어 노력 추정의 정확도를 향상시키기 위해.
• 신경망의 학습 능력과 퍼지 논리의 해석 가능성의 조합을 통해 더 견고한 보정을 실현하기 위해.
• 실제 세계의 ISBSG 데이터를 사용하여 제안된 신경-퍼지 접근법을 기존의 보정 방법과 비교 검증하기 위해.

제안 방법

• 신경-퍼지 모델은 적응형 신경-퍼지 추론 시스템(ANFIS)을 활용하여 실증 데이터로부터 학습하면서도 인간의 전문 지식을 퍼지 규칙 구조에 유지한다.
• 퍼지 논리는 FP 복잡도에 대한 전문가 지식을 코딩하는 언어적 규칙와 소속 함수를 사용하여 표현한다.
• 신경망 구성 요소는 ISBSG 리lease 8 데이터를 사용하여 퍼지 추론 시스템의 파라미터를 조정하기 위해 훈련된다.
• 예측된 소프트웨어 노력과 실제 값 간의 오차를 최소화하도록 반복적으로 모델을 훈련함으로써, FP 가중치를 정교화한다.
• 보정 과정은 표준 FP 가중치를 현대 소프트웨어 애플리케이션의 특성에 더 잘 반영하도록 조정한다.
• 최종 모델은 재보정된 복잡도 가중치를 출력하며, 이를 기능점 수세기에서 사용하여 추정 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 신경-퍼지 모델은 기능점 복잡도 가중치를 효과적으로 재보정하여 소프트웨어 노력 추정 정확도를 향상시킬 수 있는가?
• RQ2 신경망 학습과 퍼지 논리의 통합이 FP 보정의 적응성과 정밀도를 어떻게 향상시키는가?
• RQ3 실제 세계의 ISBSG 데이터를 기반으로 검증했을 때, 신경-퍼지 모델은 기존의 보정 방법보다 얼마나 뛰어난가?
• RQ4 모델은 재보정된 가중치를 통해 변화하는 소프트웨어 산업 트렌드를 성공적으로 반영하는가?
• RQ5 하이브리드 접근법은 뛰어난 추정 성능를 달성하면서도 동시에 해석 가능성을 유지할 수 있는가?

주요 결과

• 신경-퍼지 모델은 기준 보정 방법에 비해 소프트웨어 노력 추정 정확도에서 22% 향상된 성과를 달성했다.
• ISBSG 리lease 8 데이터를 사용한 실증 검증을 통해 모델이 현행 소프트웨어 개발 트렌드에 맞게 FP 가중치를 적응시킬 수 있음을 확인했다.
• 하이브리드 접근법은 데이터로부터의 학습과 퍼지 규칙를 통한 전문 지식 통합을 성공적으로 균형 잡았다.
• 재보정된 가중치는 다양한 소프트웨어 프로젝트에서 실제 노력 측정치와 더 잘 일치하는 것으로 나타났다.
• 모델의 성능는 기존의 정적 보정 방법보다 뚜렷이 뛰어나, 동적이고 데이터 기반의 재보정의 가치를 입증했다.
• 결과는 신경-퍼지 기법이 실무에서 기능점 기반 추정의 신뢰성을 향상시키는 데 효과적이라는 것을 시사한다.