다중 시각 적응형 대조 학습을 활용한 정보 검색 기반 결함 위치 추정

초록

본 논문은 버그 보고서와 소스 코드 파일 간의 상호작용, 버그 보고서 간 유사성, 코드 파일 간 공동 인용 관계 등 세 가지 보조 정보를 그래프 신경망과 대조 학습으로 통합해, 정보 검색 기반 결함 위치 추정의 정확도를 크게 향상시키는 MACL‑IRFL 모델을 제안한다.

상세 분석

MACL‑IRFL은 기존 IR 기반 결함 위치 추정이 텍스트 매칭에만 의존해 발생하는 어휘 격차와 버그 보고서의 텍스트 품질 저하 문제를 보완한다. 이를 위해 저자들은 세 가지 뷰(view)를 정의한다. 첫 번째는 버그 보고서와 소스 파일 간의 이력(interaction) 그래프이며, 이는 전형적인 이분 그래프 형태로 버그‑수정 기록을 나타낸다. 두 번째는 버그 보고서 간 유사성 그래프로, 동일하거나 유사한 버그가 동일한 파일을 수정했을 가능성을 활용한다. 세 번째는 소스 파일 간 공동 인용(co‑citation) 그래프로, 하나의 버그 보고서에서 여러 파일이 동시에 언급되는 경우 파일 간 의존성을 추론한다. 각각의 뷰는 서로 다른 유형의 노드와 엣지를 포함하므로 이질적 그래프(heterogeneous graph) 모델링이 필요하다. 저자들은 R‑GCN 기반의 이질 그래프 신경망을 각 뷰에 적용해 노드 임베딩을 생성하고, 뷰별 메시지 전달을 통해 구조적·내용적 정보를 집계한다.

핵심 기여는 이러한 다중 뷰 임베딩을 대조 학습(contrastive learning)으로 연결한 점이다. 보고서‑보고서 뷰와 보고서‑코드 뷰, 코드‑코드 뷰와 보고서‑코드 뷰 사이에 양의 쌍(positive pair)을 구성하고, 서로 다른 보고서·코드 간에는 음의 쌍(negative pair)으로 설정한다. InfoNCE 손실을 최소화함으로써 동일 버그와 관련된 여러 뷰에서 얻은 표현이 서로 가깝게 정렬되고, 잡음이 많은 보조 정보는 자연스럽게 억제된다. 이 과정은 “어댑티브”라는 명칭에 부합하도록, 각 뷰의 신뢰도에 따라 가중치를 학습하며, 불필요한 관계가 임베딩에 미치는 영향을 최소화한다.

실험은 5개의 오픈소스 Java 프로젝트(Eclipse, JDT 등)에서 수행되었으며, Accuracy@1, MAP, MRR 등 세 가지 주요 지표에서 기존 최첨단 모델 대비 각각 28.93%, 25.57%, 20.35%의 향상을 기록했다. 특히 텍스트가 부족하거나 노이즈가 많은 버그 보고서에 대해 보조 뷰가 큰 효과를 발휘했으며, ablation study를 통해 각 뷰와 대조 학습이 독립적으로 기여하는 바를 정량화하였다.

이 논문은 (1) 이질 그래프를 활용한 다중 관계 모델링, (2) 대조 학습을 통한 보조 정보의 자동 필터링, (3) 실용적인 결함 위치 추정 성능 향상이라는 세 축에서 의미 있는 진전을 제공한다. 향후 연구에서는 뷰 확장을 통한 다중 모달(예: 실행 추적, 로그) 통합과, 대규모 산업 현장 적용을 위한 효율적인 그래프 샘플링 기법이 기대된다.