論文の概要: Provengo: A Tool Suite for Scenario Driven Model-Based Testing

• arxiv url: http://arxiv.org/abs/2308.15938v1
• Date: Wed, 30 Aug 2023 10:34:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 11:52:58.336262
• Title: Provengo: A Tool Suite for Scenario Driven Model-Based Testing
• Title（参考訳）: provengo: シナリオ駆動モデルベーステストのためのツールスイート
• Authors: Michael Bar-Sinai, Achiya Elyasaf, Gera Weiss and Yeshayahu Weiss
• Abstract要約: Provengoは、シナリオ駆動型モデルベーステスト(SDMBT)の実装を容易にするために設計されたツールスイートである。 Provengoでは、テスタが努力せずに自然なユーザストーリを作成し、効果的なテストを生成することのできるモデルにシームレスに統合することが可能になる。
• 参考スコア（独自算出の注目度）: 2.4387555567462647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Provengo, a comprehensive suite of tools designed to facilitate the implementation of Scenario-Driven Model-Based Testing (SDMBT), an innovative approach that utilizes scenarios to construct a model encompassing the user's perspective and the system's business value while also defining the desired outcomes. With the assistance of Provengo, testers gain the ability to effortlessly create natural user stories and seamlessly integrate them into a model capable of generating effective tests. The demonstration illustrates how SDMBT effectively addresses the bootstrapping challenge commonly encountered in model-based testing (MBT) by enabling incremental development, starting from simple models and gradually augmenting them with additional stories.
• Abstract（参考訳）: 我々は,シナリオ駆動型モデルベーステスト(sdmbt)の実装を容易にするために設計された包括的なツールスイートであるpromisegoを提案する。 Provengoの助けを借りて、テスタは努力せずに自然なユーザストーリーを作成でき、効果的なテストを生成することができるモデルにシームレスに統合できる。 デモでは、SDMBTがモデルベーステスト(MBT)で一般的に遭遇するブートストラップの課題に対して、シンプルなモデルから始まり、徐々に追加のストーリーで拡張することで、いかに効果的に対処するかが示されている。

関連論文リスト

• Data-Juicer Sandbox: A Feedback-Driven Suite for Multimodal Data-Model Co-development [67.55944651679864]
  統合データモデル共同開発に適した新しいサンドボックススイートを提案する。 このサンドボックスは、フィードバック駆動の実験プラットフォームを提供し、コスト効率とデータとモデルの両方のガイド付き洗練を可能にする。
  論文  参考訳（メタデータ） (2024-07-16T14:40:07Z)
• Variational Exploration Module VEM: A Cloud-Native Optimization and Validation Tool for Geospatial Modeling and AI Workflows [0.0]
  クラウドベースのデプロイメントは、これらのモデリングとAIのスケールアップに役立つ。 我々は,クラウドにデプロイされたモデリングの最適化と検証を容易にする変分探索モジュールを開発した。 モデルに依存しないモジュールの柔軟性と堅牢性は、実世界のアプリケーションを用いて実証される。
  論文  参考訳（メタデータ） (2023-11-26T23:07:00Z)
• TEA: Test-time Energy Adaptation [67.4574269851666]
  テスト時間適応(TTA)は、テストデータがトレーニング分布から分岐する際のモデル一般化性を改善することを目的としている。 本稿では,対象データ分布に対するモデルによる認識を高めるための,新しいエネルギーベース視点を提案する。
  論文  参考訳（メタデータ） (2023-11-24T10:49:49Z)
• ZhiJian: A Unifying and Rapidly Deployable Toolbox for Pre-trained Model Reuse [59.500060790983994]
  本稿では、PyTorchバックエンドを利用して、モデル再利用のための包括的でユーザフレンドリなツールボックスであるZhiJianを紹介する。 ZhiJianは、PTMによるターゲットアーキテクチャ構築、PTMによるターゲットモデルチューニング、およびPTMに基づく推論を含む、モデル再利用に関するさまざまな視点を統一する新しいパラダイムを提示している。
  論文  参考訳（メタデータ） (2023-08-17T19:12:13Z)
• Unlocking the Potential of User Feedback: Leveraging Large Language Model as User Simulator to Enhance Dialogue System [65.93577256431125]
  本稿では,ユーザガイド応答最適化 (UGRO) という代替手法を提案し,タスク指向の対話モデルと組み合わせる。 このアプローチでは、アノテーションのないユーザシミュレータとしてLLMを使用して対話応答を評価し、より小型のエンドツーエンドTODモデルと組み合わせる。 提案手法は従来のSOTA(State-of-the-art)よりも優れている。
  論文  参考訳（メタデータ） (2023-06-16T13:04:56Z)
• Model ensemble instead of prompt fusion: a sample-specific knowledge transfer method for few-shot prompt tuning [85.55727213502402]
  我々は、ソースタスクのソフトプロンプトから知識を伝達することで、プロンプトチューニングにおける数ショットのパフォーマンスを改善することに集中する。 我々はソースモデル(SESoM)のサンプル固有アンサンブルを提案する。 SESoMは、ソースモデルが出力されるときに、ターゲットの各サンプルに対するソースモデルのコントリビューションを個別に調整することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-23T01:33:16Z)
• Plug and Play Counterfactual Text Generation for Model Robustness [12.517365153658028]
  CASPerは、プラグアンドプレイのデファクト生成フレームワークである。 本稿では,CASPerが属性モデルによって提供されるステアリングに追従する反ファクトテキストを効果的に生成することを示す。 また,生成したデファクトをトレーニングデータの拡張に使用することにより,テストモデルをより堅牢にすることができることを示す。
  論文  参考訳（メタデータ） (2022-06-21T14:25:21Z)
• Model Selection for Production System via Automated Online Experiments [16.62275716351037]
  業界で機械学習の実践者が直面している課題は、本番環境にデプロイする最良のモデルを選択することだ。 A/Bテストのようなオンライン制御された実験は、システム全体の効果を最も信頼性の高い見積もるが、予算の制約のため、2つか数つのモデルしか比較できない。 大規模なモデルプールからモデル選択を効率的に行うことができるオンライン自動実験機構を提案する。
  論文  参考訳（メタデータ） (2021-05-27T19:48:23Z)
• Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
  現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。 アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。 デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
  論文  参考訳（メタデータ） (2020-01-20T15:15:07Z)

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。