@article{oai:ipsj.ixsq.nii.ac.jp:00187405,
 author = {西浦, 生成 and 崔, 銀惠 and 水野, 修 and Kinari, Nishiura and Eun-Hye, Choi and Osamu, Mizuno},
 issue = {4},
 journal = {情報処理学会論文誌},
 month = {Apr},
 note = {不具合組合せ特定とは，組合せテストの各テストケースの実行結果の成否から，バグを含むと思われるパラメータ値の組合せを特定する問題である．本研究では，機械学習を用いて不具合組合せを自動分類するための手法を提案し，その評価を行う．提案手法では，まず，組合せテストケースに含まれるパラメータ値の組合せとテスト結果の成否を学習モデルとしたロジスティック回帰分析を行い，それによって得られる回帰係数値から，各パラメータ値の組合せが不具合組合せである疑わしさを決定する．次に，各パラメータ値の組合せの疑わしさから，その組合せが不具合組合せであるか否かを自動分類するために，閾値決定法および最大距離分割法の2つのクラスタリング手法を適用する．最後に，実際にバグを含むオープンソースプロジェクトのプログラムflex，grep，makeのテストスイートに対して提案手法を適用した比較評価実験を行うことで，提案手法の有効性を示す．, Faulty interaction localization is a problem to identify interactions of parameter values causing failures, called faulty interactions, from given the results of executing combinatorial test cases. In this paper, we propose an approach using machine learning to automatically classify each combination of parameter values in test cases into either of a faulty interaction or not. In the proposed approach, we first determine the suspiciousness of each combination of parameter values to be a faulty interaction by using a logistic regression analysis whose training dataset is obtained from whether the combination is included in a test case or not and whether the test case is failed or not. In order to classify each combination of parameter values with the obtained suspiciousness into a faulty interaction or not, we next present the two methods: (1) a determination using a boundary value, and (2) a division using the maximum distance. Finally, we show the effectiveness of the proposed approach by conducting comparative evaluation experiments that apply the proposed methods to combinatorial test suites for multiple versions of three open source projects, flex, grep, and make.},
 pages = {1215--1224},
 title = {不具合組合せ特定のための機械学習による自動分類法の提案と評価},
 volume = {59},
 year = {2018}
}