Прогнозування показників якості програмних систем із застосуванням модифікацій інтерпретаційного методу DeepLIFT

Abstract

Предметом дослідження є покращення інтерпретаційного методу DeepLIFT (Deep Learning Important FeaTures) у контексті забезпечення оцінки якості програмних систем (ПС). Вивчаються алгоритмічні та математичні аспекти базового методу DeepLIFT, а також його вдосконалення для аналізу та покращення показників якості ПС. Мета роботи – розроблення та обґрунтування п’яти способів оптимізаційних модифікацій методу DeepLIFT для покращення точності та ефективності прогнозування показників якості ПС. У статті необхідно виконати такі завдання: детально проаналізувати проблеми, пов’язані із застосуванням методу DeepLIFT у процесі оцінювання якості ПС; надати математичний опис п’яти способів модифікації методу DeepLIFT, спрямованих на покращення точності, адаптивності та швидкості оцінювання показників якості; експериментально протестувати запропоновані модифікації для оцінювання їх ефективності в процесі визначення якості ПС порівняно з оригінальним методом DeepLIFT. Методи дослідження: аналіз літератури; експериментальна верифікація; обчислення середніх значень та застосування тестів значущості; моделювання. Досягнуті результати: 1) детально проаналізовано обмеження базового методу DeepLIFT у контексті сучасних програмних систем, унаслідок чого виявлено низьку адаптивність до динамічних показників, обмежену інтерпретованість для складних архітектур та труднощі зі стабільністю результатів у разі мінливих умов експлуатації; 2) запропоновано п’ять удосконалень методу DeepLIFT; 3) експериментально протестовано модифікації, що довело їх ефективність порівняно з оригінальним методом DeepLIFT. Результати дослідження продемонстрували, що всі модифікації дають змогу досягти покращень за ключовими параметрами. Висновки: в умовах зростання складності архітектур, збільшення обсягу інформації та вимог до продуктивності інноваційні методи оцінювання та прогнозування якості ПС стають необхідністю. Кожен з удосконалених методів підвищує точність та інтерпретованість порівняно з базовим DeepLIFT. Найвищу точність демонструє темпоральний DeepLIFT (T-DLIFT) відповідно.

Keywords

• моделювання; DeepLIFT; інновації; оцінка якості; нейронні мережі; оптимізація.