Fugu-MT 論文翻訳(概要): Seeding Contradiction: a fast method for generating full-coverage test suites

論文の概要: Seeding Contradiction: a fast method for generating full-coverage test suites

arxiv url: http://arxiv.org/abs/2309.04232v1
Date: Fri, 8 Sep 2023 09:37:11 GMT
ステータス: 処理完了
システム内更新日: 2023-10-23 08:23:21.554100
Title: Seeding Contradiction: a fast method for generating full-coverage test suites
Title（参考訳）: Seeding Contradiction: フルカバレッジテストスイートを生成する高速メソッド
Authors: Li Huang, Bertrand Meyer, Manuel Oriol
Abstract要約: テストスイートは、プログラムの進化を管理するための重要なリソースである。 Seeding Contradictionはプログラムのすべての基本ブロックに誤った命令を挿入する。メソッドは静的で、高速に動作し、優れたカバレッジを実現する。
参考スコア（独自算出の注目度）: 36.52277143058971
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The regression test suite, a key resource for managing program evolution, needs to achieve 100% coverage, or very close, to be useful. Devising a test suite manually is unacceptably tedious, but existing automated methods are often inefficient. The method described in this article, ``Seeding Contradiction'', inserts incorrect instructions into every basic block of the program, enabling an SMT-based Hoare-style prover to generate a counterexample for every branch of the program and, from the collection of all such counterexamples, a test suite. The method is static, works fast, and achieves excellent coverage.
Abstract（参考訳）: プログラムの進化を管理するための重要なリソースである回帰テストスイートは、100%のカバレッジを達成するか、あるいは非常に近いものにする必要がある。手動でテストスイートを開発するのは難しくないが、既存の自動化メソッドはしばしば非効率である。この記事では、'Seeding Contradiction'というメソッドがプログラムのすべての基本ブロックに誤った命令を挿入し、SMTベースのHoareスタイルの証明器がプログラムの各ブランチとテストスイートのコレクションから反例を生成することを可能にする。メソッドは静的で、高速に動作し、優れたカバレッジを実現する。

関連論文リスト

Bisimulation Learning [55.859538562698496]
我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
論文参考訳（メタデータ） (2024-05-24T17:11:27Z)
Large Language Models to Generate System-Level Test Programs Targeting Non-functional Properties [3.3305233186101226]
本稿では,テストプログラムを生成するためのLarge Language Models (LLM)を提案する。我々は、DUTの非機能特性を最適化するために、事前訓練されたLLMがテストプログラム生成でどのように機能するかを、一目で見てみる。
論文参考訳（メタデータ） (2024-03-15T08:01:02Z)
Advancing BDD Software Testing: Dynamic Scenario Re-Usability And Step Auto-Complete For Cucumber Framework [0.0]
本稿では,振る舞い駆動開発(BDD)Gherkinテストスクリプトのシナリオ内でのシナリオの再使用可能性について,Cucumber Javaフレームワークで紹介し,実装する。この論文はまた、Cucumberのシングルスレッドシナリオ実行モデルの制限についても少し掘り下げている。
論文参考訳（メタデータ） (2024-02-24T23:15:39Z)
Code-Aware Prompting: A study of Coverage Guided Test Generation in Regression Setting using LLM [32.44432906540792]
テスト生成における大規模言語モデルのコード認識促進戦略であるSymPromptを提案する。 SymPromptは、正しいテスト世代を5倍に増やし、CodeGen2の相対カバレッジを26%向上させる。特に、GPT-4に適用すると、SymPromptはベースラインのプロンプト戦略に比べて2倍以上のカバレッジが向上する。
論文参考訳（メタデータ） (2024-01-31T18:21:49Z)
Align Your Prompts: Test-Time Prompting with Distribution Alignment for Zero-Shot Generalization [64.62570402941387]
テスト領域のギャップを埋めるために、機能分散シフトを最小限にして、テスト時にマルチモーダルプロンプトを適用するために、単一のテストサンプルを使用します。提案手法は,既存のプロンプト学習技術以上のゼロショットトップ1精度を向上し,ベースラインのMaPLeよりも3.08%向上した。
論文参考訳（メタデータ） (2023-11-02T17:59:32Z)
Understanding prompt engineering may not require rethinking generalization [56.38207873589642]
言語モデルによって与えられるPAC-Bayesと組み合わさったプロンプトの離散的性質は、文献の標準によって非常に厳密な一般化境界をもたらすことを示す。この研究は、プロンプトエンジニアリングの広範な実践を正当化する可能性がある。
論文参考訳（メタデータ） (2023-10-06T00:52:48Z)
Test Case Recommendations with Distributed Representation of Code Syntactic Features [2.225268436173329]
本稿では,ソースコード手法とテストケースの構造的・意味的特性を利用する自動手法を提案する。提案するアプローチは、当初、メソッドレベルのソースコードとユニットテストを分散表現に変換するためにニューラルネットワークをトレーニングする。このモデルは、メソッドの埋め込みと以前に組み込まれたトレーニングインスタンスのコサイン類似性を計算します。
論文参考訳（メタデータ） (2023-10-04T21:42:01Z)
Supervised Learning for Coverage-Directed Test Selection in Simulation-Based Verification [0.0]
本稿では,自動制約抽出とテスト選択のための新しい手法を提案する。カバレッジ指向のテスト選択は、カバレッジフィードバックからの教師付き学習に基づいている。本稿では,手作業による制約記述の低減,効果的なテストの優先順位付け,検証資源の消費の低減,大規模で実生活のハードウェア設計におけるカバレッジ閉鎖の促進について述べる。
論文参考訳（メタデータ） (2022-05-17T17:49:30Z)
Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
論文参考訳（メタデータ） (2020-10-23T08:33:04Z)
Provably Consistent Partial-Label Learning [120.4734093544867]
部分ラベル学習 (Partial-label Learning, PLL) は多クラス分類問題である。本稿では,候補ラベル集合の第1世代モデルを提案し,一貫性が保証される2つの新しい手法を開発する。ベンチマークおよび実世界のデータセットの実験は、提案した生成モデルの有効性と2つの方法の有効性を検証する。
論文参考訳（メタデータ） (2020-07-17T12:19:16Z)

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。