論文の概要: Learning How to Search: Generating Effective Test Cases Through Adaptive Fitness Function Selection

• arxiv url: http://arxiv.org/abs/2102.04822v1
• Date: Tue, 9 Feb 2021 13:44:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 15:41:02.440289
• Title: Learning How to Search: Generating Effective Test Cases Through Adaptive Fitness Function Selection
• Title（参考訳）: 検索方法の学習:適応フィットネス機能選択による効果的なテストケースの生成
• Authors: Hussein Almulla and Gregory Gay
• Abstract要約: 本稿では,適合度関数の識別を二次最適化ステップとして扱うことを提案する。 適合度関数の選択を変更できる適応アルゴリズムは、生成プロセス全体を通して選択を調整し、目標達成を最大化することができる。 私たちはEvoSuiteFITというフレームワークを、実際のJavaケースのセットで評価しました。
• 参考スコア（独自算出の注目度）: 11.025982207220277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Search-based test generation is guided by feedback from one or more fitness functions - scoring functions that judge solution optimality. Choosing informative fitness functions is crucial to meeting the goals of a tester. Unfortunately, many goals - such as forcing the class-under-test to throw exceptions, increasing test suite diversity, and attaining Strong Mutation Coverage - do not have effective fitness function formulations. We propose that meeting such goals requires treating fitness function identification as a secondary optimization step. An adaptive algorithm that can vary the selection of fitness functions could adjust its selection throughout the generation process to maximize goal attainment, based on the current population of test suites. To test this hypothesis, we have implemented two reinforcement learning algorithms in the EvoSuite unit test generation framework, and used these algorithms to dynamically set the fitness functions used during generation for the three goals identified above. We have evaluated our framework, EvoSuiteFIT, on a set of real Java case examples. EvoSuiteFIT techniques attain significant improvements for two of the three goals, and show small improvements on the third when the number of generations of evolution is fixed. Additionally, for all goals, EvoSuiteFIT detects faults missed by the other techniques. The ability to adjust fitness functions allows EvoSuiteFIT to make strategic choices that efficiently produce more effective test suites, and examining its choices offers insight into how to attain our testing goals. We find that AFFS is a powerful technique to apply when an effective fitness function does not already exist for generating tests to achieve a testing goal.
• Abstract（参考訳）: 検索ベースのテスト生成は、1つ以上のフィットネス機能からのフィードバックによって導かれます。 テスタの目標を達成するためには,情報的適合度関数の選択が不可欠だ。 残念ながら、クラスアンダーテストで例外を投げること、テストスイートの多様性の向上、Strong Mutation Coverageの達成など、多くの目標には、効果的な適合関数の定式化がない。 このような目標を達成するには、フィットネス機能同定を二次最適化のステップとして扱う必要があると提案する。 適合関数の選択を変更可能な適応アルゴリズムは、現在のテストスイートの人口に基づいて、生成プロセスを通じてその選択を調整し、目標達成を最大化することができる。 この仮説を検証するために、EvoSuiteユニットテスト生成フレームワークに2つの強化学習アルゴリズムを実装し、これらのアルゴリズムを用いて、上記の3つの目標に対して生成時に使用するフィットネス関数を動的に設定した。 私たちのフレームワークであるEvoSuiteFITを実際のJavaケースの例で評価しました。 evosuitefitのテクニックは3つの目標のうち2つにおいて大きな改善を達成し、進化の世代数が固定された3番目の段階で小さな改善を示す。 さらに、すべての目標に対して、EvoSuiteFITは他のテクニックに欠けている欠陥を検出します。 フィットネス機能を調整することで、evosuitefitはより効率的なテストスイートを効率的に作成するための戦略的な選択を可能にします。 AFFSは、テスト目標を達成するためのテストを生成するための効果的な適合関数がすでに存在しない場合に応用できる強力な手法である。

関連論文リスト

• A Variational Perspective on Generative Protein Fitness Optimization [14.726139539370307]
  本稿では,適合度最適化における変動的視点である変分潜時生成タンパク質最適化(VLGPO)を紹介する。 本手法は, タンパク質配列を連続潜伏空間に埋め込んで, 適合度分布からの効率的なサンプリングを可能にする。 VLGPOは、複雑さの異なる2つの異なるタンパク質ベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2025-01-31T15:07:26Z)
• FunBO: Discovering Acquisition Functions for Bayesian Optimization with FunSearch [21.41322548859776]
  本稿では、FunBOを用いて、コンピュータコードで書かれた新しい取得関数を学習する方法を示す。 本稿では,FunBOが関数のトレーニング分布の内外をよく一般化するAFを特定する方法を示す。
  論文  参考訳（メタデータ） (2024-06-07T10:49:59Z)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• Multi objective Fitness Dependent Optimizer Algorithm [19.535715565093764]
  本稿では、最近導入されたフィットネス依存型(FDO)の多目的変種を提案する。 このアルゴリズムはMOFDO(Multi objective Fitness Dependent)と呼ばれ、FDOのように5種類の知識(situational, normative, topographical, domain, historical knowledge)を備えている。 提案アルゴリズムは,多種多様な分散可能な実現可能解を提供することで,意思決定者がより適用可能な快適な選択をすることができる。
  論文  参考訳（メタデータ） (2023-01-26T06:33:53Z)
• 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)
• Fair Feature Subset Selection using Multiobjective Genetic Algorithm [0.0]
  フェアネスと精度を両立させる特徴部分選択手法を提案する。 モデル性能の指標としてF1-Scoreを用いる。 最も一般的なフェアネスベンチマークデータセットの実験では、進化的アルゴリズムを用いることで、フェアネスと精度のトレードオフを効果的に探索できることが示されている。
  論文  参考訳（メタデータ） (2022-04-30T22:51:19Z)
• Frequency Fitness Assignment: Optimization without a Bias for Good Solutions can be Efficient [4.642892880059577]
  周波数適合度アサインメントは、より良いソリューションに偏りのないアルゴリズムを生成する。 1つのFFAベースのアルゴリズムは、すべての理論ベースのベンチマーク問題を経験的に解くことができる。 すべてのFFAベースのアルゴリズムは、全ての純粋なアルゴリズムの変種よりも満足度の問題に優れる。
  論文  参考訳（メタデータ） (2021-12-01T02:04:40Z)
• MT3: Meta Test-Time Training for Self-Supervised Test-Time Adaption [69.76837484008033]
  ディープラーニングの未解決の問題は、ニューラルネットワークがテスト時間中のドメインシフトに対処する能力である。 メタラーニング、自己監督、テストタイムトレーニングを組み合わせて、目に見えないテスト分布に適応する方法を学びます。 この手法はcifar-10による画像分類ベンチマークの最先端結果を大幅に改善する。
  論文  参考訳（メタデータ） (2021-03-30T09:33:38Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)
• Don't Stop Pretraining: Adapt Language Models to Domains and Tasks [81.99843216550306]
  バイオメディカルおよびコンピュータサイエンスの出版物、ニュース、レビュー)と8つの分類タスクについて調査する。 ドメイン内の事前トレーニング(ドメイン適応型事前トレーニング)の第2フェーズでは、パフォーマンスが向上する。 タスクの未ラベルデータ(タスク適応事前トレーニング)に適応することで、ドメイン適応事前トレーニング後のパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2020-04-23T04:21:19Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。