論文の概要: Sentinel: A Hyper-Heuristic for the Generation of Mutant Reduction Strategies

• arxiv url: http://arxiv.org/abs/2103.07241v1
• Date: Fri, 12 Mar 2021 12:38:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 13:16:43.205411
• Title: Sentinel: A Hyper-Heuristic for the Generation of Mutant Reduction Strategies
• Title（参考訳）: Sentinel: ミュータント還元戦略の生成のためのハイパーヒューリスティック
• Authors: Giovani Guizzo, Federica Sarro, Jens Krinke, Silvia Regina Vergilio
• Abstract要約: 突然変異テストはソフトウェアテストスイートの評価と強化に有効なアプローチであるが、その採用はミュータントの実行計算コストによって制限されている。 そこで我々は,sentinelと呼ばれる多目的進化超ヒューリスティック手法を提案し,最適コスト削減戦略の自動生成法を提案する。
• 参考スコア（独自算出の注目度）: 7.869561044031397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mutation testing is an effective approach to evaluate and strengthen software test suites, but its adoption is currently limited by the mutants' execution computational cost. Several strategies have been proposed to reduce this cost (a.k.a. mutation cost reduction strategies), however none of them has proven to be effective for all scenarios since they often need an ad-hoc manual selection and configuration depending on the software under test (SUT). In this paper, we propose a novel multi-objective evolutionary hyper-heuristic approach, dubbed Sentinel, to automate the generation of optimal cost reduction strategies for every new SUT. We evaluate Sentinel by carrying out a thorough empirical study involving 40 releases of 10 open-source real-world software systems and both baseline and state-of-the-art strategies as a benchmark. We execute a total of 4,800 experiments, and evaluate their results with both quality indicators and statistical significance tests, following the most recent best practice in the literature. The results show that strategies generated by Sentinel outperform the baseline strategies in 95% of the cases always with large effect sizes. They also obtain statistically significantly better results than state-of-the-art strategies in 88% of the cases, with large effect sizes for 95% of them. Also, our study reveals that the mutation strategies generated by Sentinel for a given software version can be used without any loss in quality for subsequently developed versions in 95% of the cases. These results show that Sentinel is able to automatically generate mutation strategies that reduce mutation testing cost without affecting its testing effectiveness (i.e. mutation score), thus taking off from the tester's shoulders the burden of manually selecting and configuring strategies for each SUT.
• Abstract（参考訳）: 突然変異テストはソフトウェアテストスイートの評価と強化に有効なアプローチであるが、その採用はミュータントの実行計算コストによって制限されている。 このコストを削減するためのいくつかの戦略が提案されている。 しかし、テスト中のソフトウェア(SUT)に応じてアドホックな手動選択と構成を必要とすることが多いため、これらのいずれもすべてのシナリオに有効であることが証明されていません。 本稿では,新しいSUT毎に最適なコスト削減戦略を自動生成する,Sentinelと呼ばれる新しい多目的進化的ハイパーヒューリスティック手法を提案する。 我々はSentinelを、10のオープンソース実世界のソフトウェアシステムの40リリースと、ベースラインと最先端の戦略をベンチマークとして、徹底した実証研究によって評価する。 総計4,800の実験を行い,最近の文献のベストプラクティスに従って,質指標と統計的意義試験の両方を用いて結果を評価する。 その結果、Sentinelが生成した戦略は、95%のケースで常に大きな効果サイズでベースライン戦略を上回ります。 88%の症例で最先端の戦略よりも統計的に優れた結果が得られ、95%の症例で大きな効果が得られた。 また,本研究では,Sentinelが特定のソフトウェアバージョンに対して生成した突然変異戦略を,95%のケースにおいて,その後の開発バージョンの品質を損なうことなく利用できることを示した。 これらの結果から,Sentinelは変異検査コストを低減させる突然変異戦略を自動生成できることが示唆された。 したがって、テスターの肩から離陸すると、各SUTの戦略を手動で選択して設定する負担がかかります。

関連論文リスト

• Realistic Evaluation of Test-Time Adaptation Algorithms: Unsupervised Hyperparameter Selection [1.4530711901349282]
  TTA(Test-Time Adaptation)は、分散シフト下での機械学習モデルロバストネスの問題に対処するための有望な戦略として登場した。 我々は,サロゲートベースのhp選択戦略を用いて既存のTTA手法を評価し,その性能をより現実的に評価する。
  論文  参考訳（メタデータ） (2024-07-19T11:58:30Z)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• Explore the Effect of Data Selection on Poison Efficiency in Backdoor Attacks [10.817607451423765]
  本研究では,サンプル選択の観点から,バックドアアタックの毒殺効率の向上に焦点をあてる。 各種毒物試料の寄与を示すために, 試料の忘れイベントを採用し, 損失面の曲率を用いて, この現象の有効性を解析した。
  論文  参考訳（メタデータ） (2023-10-15T05:55:23Z)
• LEAP: Efficient and Automated Test Method for NLP Software [6.439196068684973]
  本稿では,LEvy 飛行に基づく適応粒子群最適化をテキスト機能と統合した自動テスト手法 LEAP を提案する。 我々は, LEAPのNLPソフトウェアテスト能力を検証する一連の実験を行い, 敵検体生成におけるLEAPの平均成功率は79.1%であった。 LEAPは高い成功率を保証する一方で、他の慣性ベースの手法と比較して、時間オーバーヘッドを最大147.6秒削減する。
  論文  参考訳（メタデータ） (2023-08-22T08:51:10Z)
• Variance-Reduced Gradient Estimation via Noise-Reuse in Online Evolution Strategies [50.10277748405355]
  Noise-Reuse Evolution Strategies (NRES) は、非バイアスのオンライン進化戦略の一般的なクラスである。 NRESの結果は既存のAD法やES法よりも早く,様々なアプリケーションにまたがるウォールクロック時間とステップ数で収束することを示す。
  論文  参考訳（メタデータ） (2023-04-21T17:53:05Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Versatile Weight Attack via Flipping Limited Bits [68.45224286690932]
  本研究では,展開段階におけるモデルパラメータを変更する新たな攻撃パラダイムについて検討する。 有効性とステルスネスの目標を考慮し、ビットフリップに基づく重み攻撃を行うための一般的な定式化を提供する。 SSA(Single sample attack)とTSA(Singr sample attack)の2例を報告した。
  論文  参考訳（メタデータ） (2022-07-25T03:24:58Z)
• Data-Efficient Backdoor Attacks [14.230326737098554]
  ディープニューラルネットワークはバックドア攻撃に弱い。 本稿では,その選択による毒性データ効率の向上について定式化する。 同じ攻撃成功率は、有毒サンプル量のわずか47%から75%で達成できる。
  論文  参考訳（メタデータ） (2022-04-22T09:52:22Z)
• Projective Ranking-based GNN Evasion Attacks [52.85890533994233]
  グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して、有望な学習方法を提供する。 GNNは敵の攻撃の危険にさらされている。
  論文  参考訳（メタデータ） (2022-02-25T21:52:09Z)
• Targeted Attack against Deep Neural Networks via Flipping Limited Weight Bits [55.740716446995805]
  我々は,悪質な目的で展開段階におけるモデルパラメータを修飾する新しい攻撃パラダイムについて検討する。 私たちのゴールは、特定のサンプルをサンプル修正なしでターゲットクラスに誤分類することです。 整数プログラミングにおける最新の手法を利用することで、このBIP問題を連続最適化問題として等価に再構成する。
  論文  参考訳（メタデータ） (2021-02-21T03:13:27Z)
• Improved active output selection strategy for noisy environments [0.0]
  モデルベースのキャリブレーションに必要なテストベンチ時間をテスト設計のためのアクティブラーニングメソッドで削減できます。 本稿では,アクティブ出力選択のための改良戦略を提案する。
  論文  参考訳（メタデータ） (2021-01-10T08:27:30Z)

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。