노이즈가 있는 레이블 환경의 SZZ에서 결함 유발 커밋을 탐지하기 위한 Confident Learning 기반 네트워크

요약

데이터 노이즈와 의미론적 연결 부족 문제를 해결하기 위해 BIC-Hunter 모델을 제안합니다. Confident Learning 기반의 노이즈 제거와 GCN을 활용한 의미론적 관계 포착을 통해 결함 유발 커밋 탐지 성능을 혁신적으로 개선했습니다.

핵심 포인트

• 데이터 노이즈 완화를 위한 Confident Learning 기반 노이즈 제거 구성 요소 도입
• GCN과 동질 그래프를 활용하여 코드 문맥의 의미론적 관계 포착
• 기존 SOTA 모델 대비 Recall@1 기준 6.16% 성능 향상 입증
• MFR 지수를 8.43% 증가시켜 결함 식별 신뢰도 확보