Fugu-MT 論文翻訳(概要): DRIFT: Deep Reinforcement Learning for Functional Software Testing

論文の概要: DRIFT: Deep Reinforcement Learning for Functional Software Testing

arxiv url: http://arxiv.org/abs/2007.08220v1
Date: Thu, 16 Jul 2020 09:46:59 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 21:47:01.636250
Title: DRIFT: Deep Reinforcement Learning for Functional Software Testing
Title（参考訳）: DRIFT: 機能的ソフトウェアテストのための深層強化学習
Authors: Luke Harries, Rebekah Storan Clarke, Timothy Chapman, Swamy V. P. L. N. Nallamalli, Levent Ozgur, Shuktika Jain, Alex Leung, Steve Lim, Aaron Dietrich, Jos\'e Miguel Hern\'andez-Lobato, Tom Ellis, Cheng Zhang, Kamil Ciosek
Abstract要約: DRIFTという関数型ソフトウェアテストのための強化学習フレームワークを提案する。 DRIFTはユーザインタフェースのシンボル表現で動作する。 DRIFTは、完全に自動化された方法で、望まれるソフトウェア機能を強力にトリガーできることを示します。
参考スコア（独自算出の注目度）: 10.999098035428638
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Efficient software testing is essential for productive software development and reliable user experiences. As human testing is inefficient and expensive, automated software testing is needed. In this work, we propose a Reinforcement Learning (RL) framework for functional software testing named DRIFT. DRIFT operates on the symbolic representation of the user interface. It uses Q-learning through Batch-RL and models the state-action value function with a Graph Neural Network. We apply DRIFT to testing the Windows 10 operating system and show that DRIFT can robustly trigger the desired software functionality in a fully automated manner. Our experiments test the ability to perform single and combined tasks across different applications, demonstrating that our framework can efficiently test software with a large range of testing objectives.
Abstract（参考訳）: 効率的なソフトウェアテストは、生産的なソフトウェア開発と信頼性の高いユーザエクスペリエンスに欠かせない。人間のテストは非効率で費用がかかるので、自動化されたソフトウェアテストが必要です。本研究では,DRIFT という関数型ソフトウェアテストのための強化学習(RL)フレームワークを提案する。 DRIFTはユーザインタフェースのシンボル表現で動作する。バッチrlを通じてq-learningを使用し、グラフニューラルネットワークで状態アクション値関数をモデル化する。我々は、Windows 10オペレーティングシステムのテストにDRIFTを適用し、DRIFTが望まれるソフトウェア機能を完全に自動化された方法で確実にトリガーできることを示します。実験では、異なるアプリケーションにまたがって単一のタスクと組み合わせたタスクを実行する能力をテストし、フレームワークが幅広いテスト目標でソフトウェアを効率的にテストできることを実証した。

関連論文リスト

The Potential of LLMs in Automating Software Testing: From Generation to Reporting [0.0]
手動テストは効果的だが、時間とコストがかかり、自動化メソッドの需要が増大する。大規模言語モデル(LLM)の最近の進歩は、ソフトウェア工学に大きな影響を与えている。本稿では,人間の介入を減らし,テスト効率を向上させるため,LSMを用いた自動ソフトウェアテストに対するエージェント指向アプローチについて検討する。
論文参考訳（メタデータ） (2024-12-31T02:06:46Z)
Enabling Cost-Effective UI Automation Testing with Retrieval-Based LLMs: A Case Study in WeChat [8.80569452545511]
機械学習と大規模言語モデルを組み合わせることで、業界アプリケーションのためのコスト効率の良いUI自動化テストを作成するために、CATを導入します。次にCATは機械学習技術を採用し、LLMを補完として、ターゲット要素をUI画面にマップする。 WeChatテストデータセットの評価では、CATのパフォーマンスとコスト効率が示され、90%のUI自動化と0.34ドルのコストが達成されました。
論文参考訳（メタデータ） (2024-09-12T08:25:33Z)
Which Combination of Test Metrics Can Predict Success of a Software Project? A Case Study in a Year-Long Project Course [1.553083901660282]
テストはソフトウェア開発プロジェクトの成功を保証する上で重要な役割を担います。種々のテストが機能的適合性に与える影響を定量化できるかどうかを検討する。
論文参考訳（メタデータ） (2024-08-22T04:23:51Z)
GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes and Minimalist Workflow [24.789118651720045]
光実写シーンを用いた自律走行シミュレータを提案する。シミュレータはROS2またはSocket.IOを介して外部アルゴリズムと通信することができる。シミュレータ内に高精度な車両力学モデルを実装し,車体効果の現実性を高める。
論文参考訳（メタデータ） (2024-01-28T23:26:15Z)
Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文参考訳（メタデータ） (2023-10-12T20:49:15Z)
AXNav: Replaying Accessibility Tests from Natural Language [14.131076040673351]
大規模言語モデル(LLM)は、UIの自動化を含む様々なタスクに使用されている。本稿では,自然言語ベースのアクセシビリティテストワークフローの要件について検討する。手動アクセシビリティテスト(例えばVoiceOver''のショー検索)を入力として、LLMとピクセルベースのUI理解モデルを組み合わせてテストを実行するシステムを構築します。
論文参考訳（メタデータ） (2023-10-03T20:37:58Z)
Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文参考訳（メタデータ） (2023-08-10T13:19:10Z)
SAM-RL: Sensing-Aware Model-Based Reinforcement Learning via Differentiable Physics-Based Simulation and Rendering [49.78647219715034]
本稿では,SAM-RL と呼ばれる感性認識モデルに基づく強化学習システムを提案する。 SAM-RLは、センサーを意識した学習パイプラインによって、ロボットがタスクプロセスを監視するための情報的視点を選択することを可能にする。我々は,ロボット組立,ツール操作,変形可能なオブジェクト操作という3つの操作タスクを達成するための実世界の実験に,我々のフレームワークを適用した。
論文参考訳（メタデータ） (2022-10-27T05:30:43Z)
ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
論文参考訳（メタデータ） (2022-07-27T07:46:23Z)
Constrained Reinforcement Learning for Robotics via Scenario-Based Programming [64.07167316957533]
DRLをベースとしたエージェントの性能を最適化し,その動作を保証することが重要である。本稿では,ドメイン知識を制約付きDRLトレーニングループに組み込む新しい手法を提案する。我々の実験は、専門家の知識を活用するために我々のアプローチを用いることで、エージェントの安全性と性能が劇的に向上することを示した。
論文参考訳（メタデータ） (2022-06-20T07:19:38Z)
Emergent Real-World Robotic Skills via Unsupervised Off-Policy Reinforcement Learning [81.12201426668894]
報奨関数を使わずに多様なスキルを習得し,これらのスキルを下流のタスクに再利用する効率的な強化学習手法を開発した。提案アルゴリズムは学習効率を大幅に向上させ,報酬のない実世界のトレーニングを実現する。また,学習スキルは,目標指向ナビゲーションのためのモデル予測制御を用いて,追加のトレーニングを伴わずに構成可能であることも実証した。
論文参考訳（メタデータ） (2020-04-27T17:38:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。