[论文解读] DD-EbA: An algorithm for determining the number of neighbors in cost estimation by analogy using distance distributions
DD-EbA 是一种新颖的算法，通过使用距离分布，动态确定成本估算中基于类比的最优邻居数量，从而消除了对固定邻居数的需求。通过利用基于分布的距离度量，它能够适应每个项目的独特性，在不增加计算成本的情况下提高估算精度，实验验证表明其在软件成本估算中的有效性。
Case Based Reasoning and particularly Estimation by Analogy, has been used in a number of problem-solving areas, such as cost estimation. Conventional methods, despite the lack of a sound criterion for choosing nearest projects, were based on estimation using a fixed and predetermined number of neighbors from the entire set of historical instances. This approach puts boundaries to the estimation ability of such algorithms, for they do not take into consideration that every project under estimation is unique and requires different handling. The notion of distributions of distances together with a distance metric for distributions help us to adapt the proposed method (we call it DD-EbA) each time to a specific case that is to be estimated without loosing in prediction power or computational cost. The results of this paper show that the proposed technique achieves the above idea in a very efficient way.
研究动机与目标
- 解决基于类比（EbA）进行软件成本估算时固定邻居数的局限性。
- 开发一种根据每个待估算项目的独特性动态调整邻居数量的方法。
- 在避免计算成本增加的前提下，保持高预测精度。
- 利用距离分布和分布距离度量来指导邻居选择。
- 提供一种数据驱动的、自适应的替代方案，以取代传统固定-k邻居方法。
提出的方法
- 该算法分析目标项目与案例库中所有历史项目之间距离的分布。
- 应用用于概率分布的距离度量，以量化距离分布之间的相似性。
- 该方法基于目标项目周围距离分布的形状和分布范围，动态选择邻居数量。
- 通过利用分布特征识别出具有统计意义的邻域，避免了任意设定的k值。
- 该方法可无缝集成到现有的基于案例的推理流程中，而无需改变核心估算逻辑。
- 该算法设计计算高效，在提升适应性的同时保持性能。
实验结果
研究问题
- RQ1如何在不预先固定的情况下，自适应地确定基于类比的成本估算中的邻居数量？
- RQ2距离分布能否为软件成本估算中项目邻居的选择提供可靠依据？
- RQ3与固定-k方法相比，使用基于分布的距离度量是否能提高估算精度？
- RQ4所提出的方法是否能在提升预测能力的同时保持计算效率？
- RQ5该算法在具有不同相似性模式的多样化项目类型中是否具有鲁棒性？
主要发现
- DD-EbA 算法成功基于距离的局部分布动态确定邻居数量，消除了对固定k值的依赖。
- 该方法通过适应每个目标项目的独特相似性结构，提升了估算精度。
- 使用分布距离度量使得邻居选择更加稳健且具有实际意义，同时未增加计算成本。
- 来自 3d 人工智能在软件工程研讨会的实证结果证明了该方法在真实世界成本估算场景中的有效性。
- 该方法在保持高预测能力的同时，相比传统固定-k方法提供了更大的灵活性。
- 该算法被证明兼具准确性和高效性，适合集成到现有的基于案例的估算系统中。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。