論文の概要: DeepRNG: Towards Deep Reinforcement Learning-Assisted Generative Testing
of Software
- arxiv url: http://arxiv.org/abs/2201.12602v1
- Date: Sat, 29 Jan 2022 15:07:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 15:36:31.802727
- Title: DeepRNG: Towards Deep Reinforcement Learning-Assisted Generative Testing
of Software
- Title(参考訳): deeprng: ソフトウェアの深層強化学習支援生成テストに向けて
- Authors: Chuan-Yung Tsai, Graham W. Taylor
- Abstract要約: 本稿では,RNG(ランダム数生成器)を深部強化学習(RL)エージェントで直接増強することにより,ソフトウェアの生成試験を改善することを目的とする。
提案したDeepRNGフレームワークは,350,000行以上のコードを持つ高度に複雑なソフトウェアライブラリのテストに対して,統計的に有意な改善を提供することを示す。
- 参考スコア(独自算出の注目度): 18.19171031755595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although machine learning (ML) has been successful in automating various
software engineering needs, software testing still remains a highly challenging
topic. In this paper, we aim to improve the generative testing of software by
directly augmenting the random number generator (RNG) with a deep reinforcement
learning (RL) agent using an efficient, automatically extractable state
representation of the software under test. Using the Cosmos SDK as the testbed,
we show that the proposed DeepRNG framework provides a statistically
significant improvement to the testing of the highly complex software library
with over 350,000 lines of code. The source code of the DeepRNG framework is
publicly available online.
- Abstract(参考訳): 機械学習(ML)はさまざまなソフトウェアエンジニアリングニーズの自動化に成功しているが、ソフトウェアテストは依然として非常に難しいトピックである。
本稿では,テスト対象のソフトウェアを効率よく自動抽出可能な状態表現を用いて,RLエージェントを用いて乱数生成器(RNG)を直接増強することにより,ソフトウェアの生成テストを改善することを目的とする。
cosmos sdk をテストベッドとして使用することにより,提案する deeprng フレームワークが,35万行以上のコードを持つ高度に複雑なソフトウェアライブラリのテストに対して,統計的に有意な改善をもたらすことを示す。
DeepRNGフレームワークのソースコードはオンラインで公開されている。
関連論文リスト
- SERL: A Software Suite for Sample-Efficient Robotic Reinforcement
Learning [85.21378553454672]
筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。
我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。
これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
論文 参考訳(メタデータ) (2024-01-29T10:01:10Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳(メタデータ) (2023-08-10T13:19:10Z) - TestLab: An Intelligent Automated Software Testing Framework [0.0]
TestLabは、一連のテストメソッドを収集し、人工知能を使ってそれらを自動化しようとする自動ソフトウェアテストフレームワークである。
最初の2つのモジュールは、異なる視点から脆弱性を特定することを目的としており、3番目のモジュールは、テストケースを自動的に生成することで、従来の自動ソフトウェアテストを強化する。
論文 参考訳(メタデータ) (2023-06-06T11:45:22Z) - Towards Code Generation from BDD Test Case Specifications: A Vision [0.9137351242229175]
本稿では、人気のあるAngularフレームワークの入力として仕様を生成するための新しいアプローチを紹介する。
私たちのアプローチは、ソフトウェアの品質を高めながら、Webアプリケーションに必要な開発時間を劇的に短縮することを目的としています。
論文 参考訳(メタデータ) (2023-05-19T11:54:52Z) - Genetic Micro-Programs for Automated Software Testing with Large Path
Coverage [0.0]
既存のソフトウェアテスト技術は、検索アルゴリズムを利用して、高い実行パスカバレッジを実現する入力値を見つけることに重点を置いている。
本稿では、進化したソリューションが入力値ではなく、繰り返し入力値を生成するマイクロプログラムである新しい遺伝的プログラミングフレームワークの概要を述べる。
我々のアプローチは多くの異なるソフトウェアシステムに適用できるような一般化が可能であり、そのため、トレーニングされた特定のソフトウェアコンポーネントのみに特化していない、と我々は主張する。
論文 参考訳(メタデータ) (2023-02-14T18:47:21Z) - CodeRL: Mastering Code Generation through Pretrained Models and Deep
Reinforcement Learning [92.36705236706678]
CodeRLは、事前訓練されたLMと深層強化学習によるプログラム合成タスクのための新しいフレームワークである。
推論中、我々は重要なサンプリング戦略を持つ新しい生成手順を導入する。
モデルバックボーンについては,CodeT5のエンコーダデコーダアーキテクチャを拡張し,学習目標を拡張した。
論文 参考訳(メタデータ) (2022-07-05T02:42:15Z) - SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video
Games Using Risk Based Testing and Machine Learning [62.997667081978825]
従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。
自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。
この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
論文 参考訳(メタデータ) (2022-03-10T00:47:46Z) - Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。
ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
論文 参考訳(メタデータ) (2021-03-08T10:56:38Z) - DRIFT: Deep Reinforcement Learning for Functional Software Testing [10.999098035428638]
DRIFTという関数型ソフトウェアテストのための強化学習フレームワークを提案する。
DRIFTはユーザインタフェースのシンボル表現で動作する。
DRIFTは、完全に自動化された方法で、望まれるソフトウェア機能を強力にトリガーできることを示します。
論文 参考訳(メタデータ) (2020-07-16T09:46:59Z) - Sample Factory: Egocentric 3D Control from Pixels at 100000 FPS with
Asynchronous Reinforcement Learning [68.2099740607854]
サンプルファクトリー(Sample Factory)は、シングルマシン設定に最適化された高スループットトレーニングシステムである。
我々のアーキテクチャは、非常に効率的で非同期なGPUベースのサンプリングと、オフポリシー補正技術を組み合わせています。
我々は,Sample Factoryを拡張して,セルフプレイと人口ベーストレーニングをサポートし,これらのテクニックを多人数一対一シューティングゲームのための高度なエージェントの訓練に応用する。
論文 参考訳(メタデータ) (2020-06-21T10:00:23Z)
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。