@techreport{oai:ipsj.ixsq.nii.ac.jp:00211812,
 author = {糀田, 利貴 and 丸山, 勝久},
 issue = {12},
 month = {Jul},
 note = {不格好な実装や設計の欠陥を指すコードの不吉な臭いは，ソースコードの理解を妨げ，さらに変更容易性の低下を招く．リファクタリングは，このようなコードの不吉な臭いを取り除く有力な手段である．リファクタリングとは，既存のプログラムの外部的振る舞いを維持しつつ，その内部構造を改善させる作業を指す．近年，リファクタリング対象の特定を支援するために，機械学習によるコードの不吉な臭いの自動検出の研究が行われている．しかしながら，検出の正確さは十分ではない．我々は，訓練データに含まれる誤分類データが検出の正確さを低下させている原因であると考えた．そこで，12 個の Java プロジェクトに含まれる 7 種類の不吉な臭いに対して，意図的に誤分類データを混入させたり，それらを機械的に除去したりすることで，不吉な臭いの検出の正確さの変化を調査した．その結果，誤分類データが含まれることで，正確さが有意に低下することが分かった．さらに，誤分類データを機械的に除去することが，必ずしも検出の正確さを向上させるとは限らないことも分かった．},
 title = {機械学習を用いた不吉な臭いの検出における誤分類データの影響},
 year = {2021}
}