論文の概要: On the Benefits of Semi-Supervised Test Case Generation for Simulation Models

• arxiv url: http://arxiv.org/abs/2305.03714v2
• Date: Fri, 1 Dec 2023 17:47:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-04 18:41:41.261946
• Title: On the Benefits of Semi-Supervised Test Case Generation for Simulation Models
• Title（参考訳）: シミュレーションモデルにおける半監督テストケース生成の有用性について
• Authors: Xiao Ling, Tim Menzies
• Abstract要約: 複雑なシミュレーションモデルをテストするのは高価で時間がかかる。 この問題を探求する現在の最先端の手法は、完全に監督されている。 我々は、半教師付きアプローチをとるGenCluを紹介する。
• 参考スコア（独自算出の注目度）: 16.28839850314951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Testing complex simulation models can be expensive and time consuming. Current state-of-the-art methods that explore this problem are fully-supervised; i.e. they require that all examples are labeled. On the other hand, the GenClu system (introduced in this paper) takes a semi-supervised approach; i.e. (a) only a small subset of information is actually labeled (via simulation) and (b) those labels are then spread across the rest of the data. When applied to five open-source simulation models of cyber-physical systems, GenClu's test generation can be multiple orders of magnitude faster than the prior state of the art. Further, when assessed via mutation testing, tests generated by GenClu were as good or better than anything else tested here. Hence, we recommend semi-supervised methods over prior methods (evolutionary search and fully-supervised learning).
• Abstract（参考訳）: 複雑なシミュレーションモデルのテストは高価で時間がかかります。 この問題を解決する現在の最先端のメソッドは、完全に監視されている。 一方、gencluシステム(本論文で紹介されている)は半教師付きアプローチを取る。 (a)少数の情報のみを(シミュレーションを通して)実際にラベル付けし、 b) それらのラベルは、残りのデータに分散されます。 サイバー物理システムの5つのオープンソースシミュレーションモデルに適用すると、GenCluのテスト生成は、従来の技術よりも桁違いに高速になる。 さらに、変異試験によって評価された場合、gencluが生成したテストは、ここでテストしたどのテストよりも良いか、あるいは良いものでした。 したがって,先行手法(進化的探索と完全教師付き学習)よりも半教師付き手法を推奨する。

関連論文リスト

• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Fusing Neural and Physical: Augment Protein Conformation Sampling with Tractable Simulations [27.984190594059868]
  生成モデルは サロゲートサンプルとして利用され コンフォメーションアンサンブルを 桁違いに速く得る 本研究では,MDシミュレーションを抽出可能な方法で組み込んだ,事前学習型ジェネレーティブ・サンプリング器の少数ショット設定について検討する。
  論文  参考訳（メタデータ） (2024-02-16T03:48:55Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [143.14128737978342]
  新たなパラダイムであるテスト時適応は、事前トレーニングされたモデルをテスト中にラベルのないデータに適用し、予測を行う可能性がある。 このパラダイムの最近の進歩は、推論に先立って自己適応モデルのトレーニングにラベルのないデータを活用するという大きな利点を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
  LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。 複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
  論文  参考訳（メタデータ） (2023-03-20T20:18:04Z)
• Boosting Low-Data Instance Segmentation by Unsupervised Pre-training with Saliency Prompt [103.58323875748427]
  この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。 近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。 実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:49:03Z)
• Construction of a Surrogate Model: Multivariate Time Series Prediction with a Hybrid Model [2.198430261120653]
  自動車グループはほとんどのテストを実行するためにシミュレータに頼っている。 常に改良されたタスクのためのシミュレータの信頼性が問題となっている。 テストの数を増やすために、業界は現在代理モデルを開発している。
  論文  参考訳（メタデータ） (2022-12-15T15:52:18Z)
• MRCLens: an MRC Dataset Bias Detection Toolkit [82.44296974850639]
  MRCLensは,ユーザがフルモデルをトレーニングする前に,バイアスが存在するかどうかを検出するツールキットである。 ツールキットの導入の便宜のために,MDCにおける共通バイアスの分類も提供する。
  論文  参考訳（メタデータ） (2022-07-18T21:05:39Z)
• Efficient Learning of Accurate Surrogates for Simulations of Complex Systems [0.0]
  サンプリング駆動サンプリングによって強化されたオンライン学習手法を提案する。 モデル応答面上のすべての旋回点がトレーニングデータに含まれることを保証する。 本手法を核物質のシミュレーションに適用し,高精度なサロゲートを確実に自動生成できることを実証する。
  論文  参考訳（メタデータ） (2022-07-11T20:51:11Z)
• TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision [70.05605071885914]
  本研究では,単体テストサンプルに適用可能な自己教師付きトレーニングアルゴリズムSwaVの新たな改良を提案する。 ベンチマークデータセットCIFAR10-Cにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-05-18T05:43:06Z)
• Machine Learning Testing in an ADAS Case Study Using Simulation-Integrated Bio-Inspired Search-Based Testing [7.5828169434922]
  Deeperは、ディープニューラルネットワークベースの車線保持システムをテストするための障害検出テストシナリオを生成する。 新たに提案されたバージョンでは、新しいバイオインスパイアされた検索アルゴリズム、遺伝的アルゴリズム(GA)、$(mu+lambda)$および$(mu,lambda)$進化戦略(ES)、およびParticle Swarm Optimization(PSO)を利用する。 評価の結果,Deeperで新たに提案したテストジェネレータは,以前のバージョンよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-22T20:27:40Z)
• Evaluating Explainable AI: Which Algorithmic Explanations Help Users Predict Model Behavior? [97.77183117452235]
  我々は、モデル解釈性に対するアルゴリズム的説明の影響を分離するために、人体テストを実施している。 方法の有効性の明確な証拠はごく少数にみえる。 以上の結果から,説明がシミュラビリティにどのように影響するかの信頼性と包括的評価が得られた。
  論文  参考訳（メタデータ） (2020-05-04T20:35:17Z)

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。