論文の概要: Part-X: A Family of Stochastic Algorithms for Search-Based Test
Generation with Probabilistic Guarantees
- arxiv url: http://arxiv.org/abs/2110.10729v1
- Date: Wed, 20 Oct 2021 19:05:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-23 15:06:00.812997
- Title: Part-X: A Family of Stochastic Algorithms for Search-Based Test
Generation with Probabilistic Guarantees
- Title(参考訳): Part-X:確率的保証を持つ探索ベーステスト生成のための確率アルゴリズムの一家系
- Authors: Giulia Pedrielli, Tanmay Kandhait, Surdeep Chotaliya, Quinn Thibeault,
Hao Huang, Mauricio Castillo-Effen, Georgios Fainekos
- Abstract要約: ファルシフィケーションはサイバー物理システムにおける誤動作を発見するための実用的で効果的な方法であることが証明されている。
ファルシフィケーション法の性能と適用性は常に改善されているにもかかわらず、それらは共通の特徴を共有している。
テスト予算が枯渇したときの誤動作(偽装者)の欠如を保証しない最善策である。
- 参考スコア(独自算出の注目度): 3.9119084077397863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Requirements driven search-based testing (also known as falsification) has
proven to be a practical and effective method for discovering erroneous
behaviors in Cyber-Physical Systems. Despite the constant improvements on the
performance and applicability of falsification methods, they all share a common
characteristic. Namely, they are best-effort methods which do not provide any
guarantees on the absence of erroneous behaviors (falsifiers) when the testing
budget is exhausted. The absence of finite time guarantees is a major
limitation which prevents falsification methods from being utilized in
certification procedures. In this paper, we address the finite-time guarantees
problem by developing a new stochastic algorithm. Our proposed algorithm not
only estimates (bounds) the probability that falsifying behaviors exist, but
also it identifies the regions where these falsifying behaviors may occur. We
demonstrate the applicability of our approach on standard benchmark functions
from the optimization literature and on the F16 benchmark problem.
- Abstract(参考訳): 要件駆動検索ベースのテスト(改ざん)は、サイバー物理システムにおける誤った行動を発見するための実用的かつ効果的な方法であることが証明されている。
偽造法の性能と適用性が常に改善されているにもかかわらず、それらは共通の特徴を共有している。
すなわち、テスト予算が枯渇したときの誤動作(誤動作)がないことを保証しないベストエフォートメソッドである。
有限時間保証の欠如は、認証手続きにおいてファルシフィケーション手法の使用を防止する大きな制限である。
本稿では,新しい確率的アルゴリズムを開発し,有限時間保証問題に対処する。
提案アルゴリズムは, 偽造行動が存在する確率を推定するだけでなく, 偽造行動が起こる可能性のある地域を特定する。
本稿では、最適化文献とF16ベンチマーク問題から標準ベンチマーク関数へのアプローチの適用性を示す。
関連論文リスト
- Verification-Aided Learning of Neural Network Barrier Functions with
Termination Guarantees [6.9060054915724]
バリア関数は、システムの安全性を保証するための一般的なフレームワークである。
これらの関数を見つける一般的な方法は存在しない。
近年のアプローチでは、自己教師付き学習技術を用いてこれらの機能を学習している。
論文 参考訳(メタデータ) (2024-03-12T04:29:43Z) - On Pitfalls of Test-Time Adaptation [82.8392232222119]
TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。
TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
論文 参考訳(メタデータ) (2023-06-06T09:35:29Z) - Bayesian Quadrature for Probability Threshold Robustness of Partially
Undefined Functions [0.4297070083645048]
技術アルゴリズムの状態は、不確実性の下でシステムの性能が満足できる確率を計算するために存在する。
これらのアルゴリズムは、システムの性能が未定義の可能性がある自動運転車領域でしばしば発生する問題には適用できない。
システム性能の階層モデルを用いてこの問題を解決し、性能が後退する前に未定義のパフォーマンスを分類する。
論文 参考訳(メタデータ) (2022-10-05T11:50:36Z) - An Automated Approach to Causal Inference in Discrete Settings [8.242194776558895]
本稿では,効率的な二重緩和法と空間分岐結合法を用いて因果効果を自動的に結合するアルゴリズムを提案する。
このアルゴリズムは、許容可能なデータ生成プロセスを探索し、利用可能な情報と最も正確な範囲を出力する。
これは、不完全境界を特徴付ける$epsilon$-sharpnessと呼ばれる追加の保証を提供する。
論文 参考訳(メタデータ) (2021-09-28T03:55:32Z) - A Boosting Approach to Reinforcement Learning [59.46285581748018]
複雑度が状態数に依存しない意思決定プロセスにおける強化学習のための効率的なアルゴリズムについて検討する。
このような弱い学習手法の精度を向上させることができる効率的なアルゴリズムを提供する。
論文 参考訳(メタデータ) (2021-08-22T16:00:45Z) - CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
強化学習における高信頼行動非依存のオフ政治評価について検討する。
様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
論文 参考訳(メタデータ) (2020-10-22T12:39:11Z) - Certifying Neural Network Robustness to Random Input Noise from Samples [14.191310794366075]
入力の不確実性の存在下でのニューラルネットワークの堅牢性を証明する方法は、安全クリティカルな設定において不可欠である。
本稿では,入力雑音が任意の確率分布に従う場合に,誤分類の確率を上限とする新しいロバスト性証明法を提案する。
論文 参考訳(メタデータ) (2020-10-15T05:27:21Z) - Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。
ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。
本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
論文 参考訳(メタデータ) (2020-10-07T08:19:48Z) - Cross-validation Confidence Intervals for Test Error [83.67415139421448]
この研究は、クロスバリデーションのための中心極限定理と、学習アルゴリズムの弱い安定性条件下での分散の一貫した推定器を開発する。
結果は、一般的な1対1のクロスバリデーションの選択にとって、初めてのものだ。
論文 参考訳(メタデータ) (2020-07-24T17:40:06Z) - Excursion Search for Constrained Bayesian Optimization under a Limited
Budget of Failures [62.41541049302712]
本稿では,所定の予算の失敗の関数として探索において許容されるリスクの量を制御する制御理論に基づく新しい意思決定者を提案する。
本アルゴリズムは, 種々の最適化実験において, 故障予算をより効率的に利用し, 一般に, 最先端の手法よりも, 後悔度を低くする。
論文 参考訳(メタデータ) (2020-05-15T09:54:09Z) - Understanding the QuickXPlain Algorithm: Simple Explanation and Formal
Proof [0.0]
本稿では,Ulrich Junker の QuickXPlain アルゴリズムの正当性を示す。
他のアルゴリズムを証明するためのガイダンスとして使用できる。
また、QuickXPlainによって計算された結果に依存するシステムの"ギャップレス"な正しさを提供する可能性も提供する。
論文 参考訳(メタデータ) (2020-01-07T01:37:41Z)
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。