論文の概要: Algorithm Selection for Software Verification using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2201.11711v3
• Date: Tue, 5 Sep 2023 18:02:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 15:37:54.235103
• Title: Algorithm Selection for Software Verification using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたソフトウェア検証のためのアルゴリズム選択
• Authors: Will Leeson, Matthew B Dwyer
• Abstract要約: グラフニューラルネットワーク(GNN)に基づく選択戦略であるGravesを提案する。 Gravesは、テストセットにある既存の検証ツールよりも9%多くの問題を検証できます。
• 参考スコア（独自算出の注目度）: 23.759454226786005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The field of software verification has produced a wide array of algorithmic techniques that can prove a variety of properties of a given program. It has been demonstrated that the performance of these techniques can vary up to 4 orders of magnitude on the same verification problem. Even for verification experts, it is difficult to decide which tool will perform best on a given problem. For general users, deciding the best tool for their verification problem is effectively impossible. In this work, we present Graves, a selection strategy based on graph neural networks (GNNs). Graves generates a graph representation of a program from which a GNN predicts a score for a verifier that indicates its performance on the program. We evaluate Graves on a set of 10 verification tools and over 8000 verification problems and find that it improves the state-of-the-art in verification algorithm selection by 12%, or 8 percentage points. Further, it is able to verify 9% more problems than any existing verifier on our test set. Through a qualitative study on model interpretability, we find strong evidence that the Graves' model learns to base its predictions on factors that relate to the unique features of the algorithmic techniques.
• Abstract（参考訳）: ソフトウェア検証の分野は、与えられたプログラムの様々な特性を証明できる幅広いアルゴリズム技術を生み出している。 これらの手法の性能は、同一の検証問題において最大4桁まで変化することが示されている。 検証の専門家でさえ、どのツールが与えられた問題に対してベストに機能するかを決めるのは難しい。 一般ユーザにとって,検証問題に最適なツールを決定することは事実上不可能である。 本稿では,グラフニューラルネットワーク(GNN)に基づく選択戦略であるGravesを紹介する。 Gravesは、GNNがプログラムのパフォーマンスを示す検証器のスコアを予測するプログラムのグラフ表現を生成する。 10の検証ツールセットと8000以上の検証問題に基づいてGravesを評価し、検証アルゴリズムの選択における最先端性を12%、または8ポイント改善することを発見した。 さらに、テストセットにある既存の検証者よりも9%多い問題を検証できます。 モデル解釈可能性に関する定性的研究を通じて、バウンドモデルがアルゴリズム技法のユニークな特徴に関連する要因に基づいて予測を基礎づけることを学ぶという強い証拠が得られた。

関連論文リスト

• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Revisiting Embeddings for Graph Neural Networks [0.0]
  画像とテキストの両方に対して異なる埋め込み抽出手法を探索する。 埋め込みの選択は異なるGNNアーキテクチャの性能に偏っていることがわかった。 本稿では,グラフ接続型ネットワーク(GraNet)層を提案する。
  論文  参考訳（メタデータ） (2022-09-19T20:37:55Z)
• We Cannot Guarantee Safety: The Undecidability of Graph Neural Network Verification [0.0]
  グラフニューラルネットワーク(GNN)は、(全体)グラフ分類とノード分類の2つのタスクに一般的に使用される。 ノード分類の場合の検証は、検討されたグラフの度合いを制限するとすぐに決定可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-10T13:04:14Z)
• GraphEye: A Novel Solution for Detecting Vulnerable Functions Based on Graph Attention Network [8.420666984519826]
  我々は、C/C++コードの関数に脆弱性があるかどうかを特定するために、GraphEyeという新しいソリューションを提案する。 VecCPGは、コードプロパティグラフのベクトル化であり、対応するソースコードの重要な構文と意味的特徴を特徴付けるために提案されている。 GcGATはグラフ注意グラフに基づくディープラーニングモデルであり,グラフ分類問題の解法を提案する。
  論文  参考訳（メタデータ） (2022-02-05T07:03:15Z)
• Attention-Based Recommendation On Graphs [9.558392439655012]
  グラフニューラルネットワーク(GNN)は、さまざまなタスクで顕著なパフォーマンスを示している。 本研究では,モデルベースレコメンデータシステムとしてGARecを提案する。 提案手法は,既存のモデルベース非グラフニューラルネットワークとグラフニューラルネットワークを異なるMovieLensデータセットで比較した。
  論文  参考訳（メタデータ） (2022-01-04T21:02:02Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Very Deep Graph Neural Networks Via Noise Regularisation [57.450532911995516]
  グラフニューラルネットワーク(GNN)は、入力グラフを介して学習されたメッセージパッシングを実行する。 最大100のメッセージパッシングステップを持つディープGNNをトレーニングし、いくつかの最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-15T08:50:10Z)
• Efficient Robustness Certificates for Discrete Data: Sparsity-Aware Randomized Smoothing for Graphs, Images and More [85.52940587312256]
  本稿では,初期作業を想定したランダム化平滑化フレームワークに基づくモデル非依存の証明書を提案する。 このアプローチがさまざまなモデル、データセット、タスクに対して有効であることを示します。
  論文  参考訳（メタデータ） (2020-08-29T10:09:02Z)
• Learning Semantic Program Embeddings with Graph Interval Neural Network [7.747173589929493]
  我々は,既存のGNNの弱点に対処するため,グラフインターバルニューラルネットワーク(GINN)と呼ばれる新しいグラフニューラルネットワークを提案する。 GINNはモデル学習を支援するために設計された抽象手法を用いて得られたグラフ表現から一般化する。 Javaコードのnullポインタ参照バグをキャッチするために、GINNに基づいたニューラルバグ検出装置を作成しました。
  論文  参考訳（メタデータ） (2020-05-18T02:38:34Z)
• Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection [78.88163190021798]
  不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。 4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。 我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
  論文  参考訳（メタデータ） (2020-05-01T21:43:58Z)

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。