論文の概要: Reasoning-Based Software Testing
- arxiv url: http://arxiv.org/abs/2303.01302v1
- Date: Thu, 2 Mar 2023 14:27:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 14:03:34.441176
- Title: Reasoning-Based Software Testing
- Title(参考訳): 推論に基づくソフトウェアテスト
- Authors: Luca Giamattei, Roberto Pietrantuono, Stefano Russo
- Abstract要約: 推論ベースのソフトウェアテスト(RBST)は、テスト問題を因果推論タスクとして考える新しい方法です。
我々は、因果推論は人間が宇宙を「スマートに」探索する過程をより自然にエミュレートしていると主張する。
本論文で報告された予備結果は有望である。
- 参考スコア(独自算出の注目度): 9.341830361844337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With software systems becoming increasingly pervasive and autonomous, our
ability to test for their quality is severely challenged. Many systems are
called to operate in uncertain and highly-changing environment, not rarely
required to make intelligent decisions by themselves. This easily results in an
intractable state space to explore at testing time. The state-of-the-art
techniques try to keep the pace, e.g., by augmenting the tester's intuition
with some form of (explicit or implicit) learning from observations to search
this space efficiently. For instance, they exploit historical data to drive the
search (e.g., ML-driven testing) or the tests execution data itself (e.g.,
adaptive or search-based testing). Despite the indubitable advances, the need
for smartening the search in such a huge space keeps to be pressing.
We introduce Reasoning-Based Software Testing (RBST), a new way of thinking
at the testing problem as a causal reasoning task. Compared to mere
intuition-based or state-of-the-art learning-based strategies, we claim that
causal reasoning more naturally emulates the process that a human would do to
''smartly" search the space. RBST aims to mimic and amplify, with the power of
computation, this ability. The conceptual leap can pave the ground to a new
trend of techniques, which can be variously instantiated from the proposed
framework, by exploiting the numerous tools for causal discovery and inference.
Preliminary results reported in this paper are promising.
- Abstract(参考訳): ソフトウェアシステムがますます普及し、自律的になるにつれて、品質をテストする能力は厳しい課題に直面している。
多くのシステムは不確実で高度に変化する環境で運用されることが求められている。
これにより、テスト時に難解な状態空間を探索することが容易になる。
最先端の技術はこの空間を効率的に探索するために、観察から何らかの(説明的あるいは暗黙的な)学習によってテスターの直感を増強することで、ペースを保とうとする。
例えば、履歴データを利用して検索(ML駆動テストなど)やテスト実行データ自体(適応テストや検索ベーステストなど)を駆動する。
説得力のある進歩にもかかわらず、これほど巨大な空間で検索を賢くする必要は迫られ続けている。
因果的推論タスクとして,テスト問題に対する新たな考え方である推論ベースのソフトウェアテスト(rbst)を導入する。
単なる直感的あるいは最先端の学習的戦略と比較して、因果推論は人間が空間を「スマートに」探索するために行うプロセスをより自然にエミュレートすると主張する。
RBSTは、計算能力によって、この能力を模倣し、増幅することを目的としている。
概念の飛躍は、因果発見と推論のために多くのツールを利用することによって、提案されたフレームワークから様々なインスタンス化できる新しい技術トレンドへの土台を開くことができる。
本論文で報告された予備結果は有望である。
関連論文リスト
- A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳(メタデータ) (2023-10-11T15:21:40Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳(メタデータ) (2023-08-15T16:37:16Z) - Does AI for science need another ImageNet Or totally different
benchmarks? A case study of machine learning force fields [5.622820801789953]
AI for Science(AI4S)は、機械学習手法を用いて科学計算タスクの精度とスピードを高めることを目的としている。
従来のAIベンチマーク手法は、トレーニング、テスト、将来の現実世界のクエリが独立して同一に分散されていると仮定するため、AI4Sが引き起こすユニークな課題に適応するのに苦労する。
本稿では,機械学習力場(MLFF)をケーススタディとして,科学のためのAIを効果的にベンチマークするための新しいアプローチの必要性について検討する。
論文 参考訳(メタデータ) (2023-08-11T08:06:58Z) - Algorithmic failure as a humanities methodology: machine learning's
mispredictions identify rich cases for qualitative analysis [0.0]
私は単純な機械学習アルゴリズムを訓練し、架空のキャラクターの情報だけを使ってアクションがアクティブか受動的かを予測する。
この結果は、失敗予測は質的分析のリッチケースを特定するために生産的に使用できるという、Munkらの理論を支持する。
さらに、この手法がどのような種類のデータに役立ち、どの種類の機械学習が最も生成性が高いかを理解するために、さらなる研究が必要である。
論文 参考訳(メタデータ) (2023-05-19T13:24:32Z) - Constrained Adversarial Learning and its applicability to Automated
Software Testing: a systematic review [0.0]
この体系的なレビューは、敵の学習やソフトウェアテストに適用される制約付きデータ生成手法の現状に焦点を当てている。
研究者や開発者に対して、敵対的な学習方法によるテストツールの強化と、ディジタルシステムのレジリエンスと堅牢性の向上を指導することを目的としている。
論文 参考訳(メタデータ) (2023-03-14T00:27:33Z) - Taking the Intentional Stance Seriously: A Guide to Progress in
Artificial Intelligence [0.0]
それぞれのユニークなツールの仕組みに関するメンタルモデルを構築しているのです。
本稿では,この主張を明確にする意図の命題的態度を精査する。
論文 参考訳(メタデータ) (2022-09-21T13:38:23Z) - Autonomous Reinforcement Learning: Formalism and Benchmarking [106.25788536376007]
人間や動物が行うような現実世界の具体的学習は、連続的で非エポゾディックな世界にある。
RLの一般的なベンチマークタスクはエピソジックであり、試行錯誤によってエージェントに複数の試行を行う環境がリセットされる。
この相違は、擬似環境向けに開発されたRLアルゴリズムを現実世界のプラットフォーム上で実行しようとする場合、大きな課題となる。
論文 参考訳(メタデータ) (2021-12-17T16:28:06Z) - IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。
行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。
本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
論文 参考訳(メタデータ) (2021-06-23T03:43:10Z) - Automated Performance Testing Based on Active Deep Learning [2.179313476241343]
ブラックボックス性能試験のためのACTAと呼ばれる自動テスト生成手法を提案する。
ACTAはアクティブな学習に基づいており、テスト中のシステムのパフォーマンス特性を知るために、大量の履歴テストデータを必要としないことを意味します。
我々は,ベンチマークWebアプリケーション上でACTAを評価し,本手法がランダムテストに匹敵することを示す実験結果を得た。
論文 参考訳(メタデータ) (2021-04-05T18:19:12Z) - A Review of Uncertainty Quantification in Deep Learning: Techniques,
Applications and Challenges [76.20963684020145]
不確実性定量化(UQ)は、最適化と意思決定プロセスの両方において不確実性の低減に重要な役割を果たしている。
ビザレ近似とアンサンブル学習技術は、文学において最も広く使われている2つのUQ手法である。
本研究は, 深層学習におけるUQ手法の最近の進歩を概観し, 強化学習におけるこれらの手法の適用について検討する。
論文 参考訳(メタデータ) (2020-11-12T06:41:05Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2020-06-19T18:57:51Z)
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。