ACM TOSEM（ACM Transactions on Software Engineering and Methodology）是美国计算机学会（ACM）出版的软件工程领域顶级期刊‌，专注于软件工程领域原创性、可重现性及存档价值的研究，涵盖软件开发工具、方法论、编程语言、数据结构与算法等，被列为CCF A类期刊和中科院1区Top期刊。 ‌

论文题目：Feature Disentanglement Based Heterogeneous Defect Prediction

博 士 生：闫嘉琦（2024级）

收录期刊：ACM Transactions on Software Engineering and Methodology (CCF A) 

DOI:doi.org/10.1145/3742474

指导教师：于旭

论文概述：跨项目缺陷预测（CPDP）利用源项目中已有的标记数据来辅助预测目标数据集中的未标记项目，有效提升了预测性能，已成为软件工程领域的研究热点。目前CPDP可分为同构跨项目缺陷预测与异构跨项目缺陷预测（HDP），其中HDP不要求源项目与目标项目具有相同的特征空间，因而在实际CPDP中应用更为广泛。现有HDP方法大多将原始特征映射到潜在特征空间，通过迁移域无关特征来减小项目间差异，但迁移过程忽略了域相关特征的利用，影响了模型的预测性能。同时映射后的潜在特征不利于模型的可解释性。基于此，本文提出一种基于特征解耦的异构缺陷预测方法（FD-HDP）。我们分别使用域相关和域无关特征提取器对特征进行解耦，通过在训练过程中最大化域对抗损失，引导特征提取器产生准确的域相关和域无关特征，从而提升模型可解释性。预测过程中将域相关预测器与域无关预测器的预测结果加权求和作为项目最终预测结果，实现了域无关特征与域相关特征的结合，有效提升了预测性能。本文使用四个公开的缺陷数据集构建异构场景进行实验，结果表明FD-HDP模型在六项评价指标中较现有先进方法均展现出显著优势。