論文の概要: Multi-objective Test Case Selection Through Linkage Learning-based
Crossover
- arxiv url: http://arxiv.org/abs/2107.08454v2
- Date: Tue, 20 Jul 2021 10:11:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 23:20:32.468235
- Title: Multi-objective Test Case Selection Through Linkage Learning-based
Crossover
- Title(参考訳): リンク学習に基づくクロスオーバーによる多目的テストケース選択
- Authors: Mitchell Olsthoorn and Annibale Panichella
- Abstract要約: 本稿では,L2-NSGAと呼ばれる新しいNSGA-IIを提案する。
特に、教師なしクラスタリングアルゴリズムを用いて、ソリューション間の有望なパターンを推測する。
その結果,NSGA-IIのカスタマイズにより,テストケース選択に有効であることが示唆された。
- 参考スコア(独自算出の注目度): 15.460234259709646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Test Case Selection (TCS) aims to select a subset of the test suite to run
for regression testing. The selection is typically based on past coverage and
execution cost data. Researchers have successfully used multi-objective
evolutionary algorithms (MOEAs), such as NSGA-II and its variants, to solve
this problem. These MOEAs use traditional crossover operators to create new
candidate solutions through genetic recombination. Recent studies in numerical
optimization have shown that better recombinations can be made using machine
learning, in particular link-age learning. Inspired by these recent advances in
this field, we propose a new variant of NSGA-II, called L2-NSGA, that uses
linkage learning to optimize test case selection. In particular, we use an
unsupervised clustering algorithm to infer promising patterns among the
solutions (subset of test suites). Then, these patterns are used in the next
iterations of L2-NSGA to create solutions that preserve these inferred
patterns. Our results show that our customizations make NSGA-II more effective
for test case selection. The test suite sub-sets generated by L2-NSGA are less
expensive and detect more faults than those generated by MOEAs used in the
literature for regression testing.
- Abstract(参考訳): テストケース選択(TCS)は、回帰テストを実行するテストスイートのサブセットを選択することを目的としている。
選択は通常、過去のカバレッジと実行コストデータに基づいて行われる。
研究者はNSGA-IIとその変種のような多目的進化アルゴリズム(MOEA)を用いてこの問題を解決することに成功した。
これらのMOEAは伝統的なクロスオーバー演算子を使用して、遺伝的組換えによって新しい候補解を生成する。
近年の数値最適化の研究により、機械学習、特にリンクエイジ学習を用いてより良い組換えが可能になることが示されている。
この分野での最近の進歩に触発されて,リンク学習を用いてテストケース選択を最適化する,lsga-iiの新バージョンであるl2-nsgaを提案する。
特に、教師なしクラスタリングアルゴリズムを用いて、ソリューション(テストスイートのサブセット)間の有望なパターンを推測する。
次に、これらのパターンはl2-nsgaの次のイテレーションで使われ、推論されたパターンを保存するソリューションを作成する。
その結果,NSGA-IIのカスタマイズにより,テストケース選択に有効であることが示唆された。
L2-NSGAが生成するテストスイートのサブセットは、回帰テストに使用するMOEAよりも安価で、より多くの障害を検出する。
関連論文リスト
- Compact NSGA-II for Multi-objective Feature Selection [0.24578723416255746]
特徴選択を,分類精度を最大化し,選択した特徴数の最小化を目的とした多目的バイナリ最適化タスクとして定義する。
最適な特徴を選択するために,2進圧縮型NSGA-II (CNSGA-II) アルゴリズムを提案する。
我々の知る限りでは、これは特徴選択のために提案された最初のコンパクトな多目的アルゴリズムである。
論文 参考訳(メタデータ) (2024-02-20T01:10:12Z) - Guiding the Search Towards Failure-Inducing Test Inputs Using Support
Vector Machines [0.0]
NSGA-II-SVMは、学習可能な進化型および探索型テストアルゴリズムである。
NSGA-II-SVMは, 学習可能な進化的テスト技術の現状よりも, より重要なテストケースの同定に有効であることを示す。
論文 参考訳(メタデータ) (2024-01-22T21:26:42Z) - GIST: Generated Inputs Sets Transferability in Deep Learning [12.147546375400749]
GIST(Generated Inputs Sets Transferability)は、テストセットの効率的な転送のための新しいアプローチである。
本稿では,テストセットの効率的な転送のための新しいアプローチであるGISTを紹介する。
論文 参考訳(メタデータ) (2023-11-01T19:35:18Z) - Mutual Exclusivity Training and Primitive Augmentation to Induce
Compositionality [84.94877848357896]
最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。
本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。
広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
論文 参考訳(メタデータ) (2022-11-28T17:36:41Z) - Lookback for Learning to Branch [77.32867454769936]
Bipartite Graph Neural Networks (GNN) は、ディープラーニングに基づくMixed-Integer Linear Program (MILP) の重要コンポーネントであることが示されている。
近年の研究では、分岐とバウンド(B&B)の解法における分岐(可変選択)を置き換える上で、そのようなGNNの有効性が実証されている。
論文 参考訳(メタデータ) (2022-06-30T02:33:32Z) - Evolvability Degeneration in Multi-Objective Genetic Programming for
Symbolic Regression [0.0]
初期の世代では、複雑さの低いモデルが過剰に複製され、人口の大半を乗っ取っている。
我々はNSGA-IIを拡張し、時間とともに、異なるレベルの複雑さのモデルの進化可能性を追跡する。
evoNSGA-IIは意図したように振る舞う。
論文 参考訳(メタデータ) (2022-02-14T19:00:38Z) - Gated recurrent units and temporal convolutional network for multilabel
classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。
提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文 参考訳(メタデータ) (2021-10-09T00:00:16Z) - GEO: Enhancing Combinatorial Optimization with Classical and Quantum
Generative Models [62.997667081978825]
我々は、生成モデルとして知られる機械学習モデルを活用する新しいフレームワークを導入し、最適化問題を解決する。
我々は、テンソルネットワークマシンに依存するGEOの量子インスパイアされたバージョンに注力する。
関数呼び出し数に対する固定予算が与えられた場合、その目標が最小限の最小値を求める場合、その優れた性能を示す。
論文 参考訳(メタデータ) (2021-01-15T18:18:38Z) - Generating Correct Answers for Progressive Matrices Intelligence Tests [88.78821060331582]
Ravenのプログレッシブマトリクス(Progressive Matrices)は、複数選択のインテリジェンステストである。
このテストに対処する以前の試みは、複数の選択肢の中から正しい回答を選択することに集中していました。
この作業では、代わりに、定義によって難しいタスクである選択を見ることなく、グリッドに与えられた正しい回答を生成することに焦点を合わせます。
論文 参考訳(メタデータ) (2020-11-01T13:21:07Z) - 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) - Analysis of ensemble feature selection for correlated high-dimensional
RNA-Seq cancer data [0.24366811507669126]
本研究は、関連する変数の発見のための2つのアプローチを比較する。
最も有益な特徴は、4つの特徴選択アルゴリズムを用いて識別される。
残念なことに、特徴選択アルゴリズムのアンサンブルから得られた特徴集合に基づいて構築されたモデルは、個々のアルゴリズムから得られた特徴集合に基づいて開発されたモデルよりは良くなかった。
論文 参考訳(メタデータ) (2020-04-28T20:38:53Z)
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。