機械学習によるクラス分類において,クラス分類器の構築にはどのクラスに属するかラベル付けさ れたトレーニングデータが必要である.2 値クラス分類においては,正例と負例が必要となる.ソフ トウェアモジュールを fault-prone か否かに分類する場合,正例として不具合有りモジュール,負例 として不具合無しモジュールを用意する必要がある.長期間に渡って,不具合が発見されなかったモ ジュールは不具合無しとして学習させてもよいことは知られている.しかし,そのようなモジュール も実際には不具合を含むかもしれない.また時間経過により不具合無しとラベル付けする場合,十 分な時間が経過したモジュールを用意することが困難なことも考えられる.一般的には,確実な不具 合無しモジュールを用意することは非常に難しい.このような負例が無い問題に取り組む,positive unlabeled learning というアプローチが提案されている.このアプローチは,正例と unlabeled な データ(いずれのクラスに属するか不明な例)をトレーニングデータとして与え,unlabeled なデー タをクラス分類する.オープンソースプロジェクトに対して適用実験を行い,その有効性を確認した.