論文の概要: Worst-Case Analysis is Maximum-A-Posteriori Estimation
- arxiv url: http://arxiv.org/abs/2310.09774v1
- Date: Sun, 15 Oct 2023 08:24:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 18:09:27.191403
- Title: Worst-Case Analysis is Maximum-A-Posteriori Estimation
- Title（参考訳）: 最悪事例分析は最大a-posteriori推定である
- Authors: Hongjun Wu and Di Wang
- Abstract要約: プログラムの最悪のリソース使用は、多くのソフトウェアエンジニアリングタスクに有用な情報を提供することができる。
本稿では,DSE-SMCとよばれる,汎用的で適応的で音質の高いファジリングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.61085323616992
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The worst-case resource usage of a program can provide useful information for
many software-engineering tasks, such as performance optimization and
algorithmic-complexity-vulnerability discovery. This paper presents a generic,
adaptive, and sound fuzzing framework, called DSE-SMC, for estimating
worst-case resource usage. DSE-SMC is generic because it is black-box as long
as the user provides an interface for retrieving resource-usage information on
a given input; adaptive because it automatically balances between exploration
and exploitation of candidate inputs; and sound because it is guaranteed to
converge to the true resource-usage distribution of the analyzed program.
DSE-SMC is built upon a key observation: resource accumulation in a program
is isomorphic to the soft-conditioning mechanism in Bayesian probabilistic
programming; thus, worst-case resource analysis is isomorphic to the
maximum-a-posteriori-estimation problem of Bayesian statistics. DSE-SMC
incorporates sequential Monte Carlo (SMC) -- a generic framework for Bayesian
inference -- with adaptive evolutionary fuzzing algorithms, in a sound manner,
i.e., DSE-SMC asymptotically converges to the posterior distribution induced by
resource-usage behavior of the analyzed program. Experimental evaluation on
Java applications demonstrates that DSE-SMC is significantly more effective
than existing black-box fuzzing methods for worst-case analysis.
- Abstract（参考訳）: プログラムの最悪のリソース使用は、性能最適化やアルゴリズム・複雑さ・脆弱性発見など、多くのソフトウェアエンジニアリングタスクに有用な情報を提供することができる。
本稿では,DSE-SMCとよばれる,汎用的で適応的で音質の高いファジリングフレームワークを提案する。
DSE-SMCは、ユーザが与えられた入力に対してリソース使用情報を取得するインターフェースを提供する限り、ブラックボックスであり、候補入力の探索と利用のバランスを保ち、分析プログラムの真のリソース利用分布に収束することが保証されているため、適応性がある。
dse-smcは、プログラム内の資源の蓄積は、ベイズ確率計画におけるソフトコンディショニング機構に同型であるので、最悪の場合の資源分析は、ベイズ統計の最大-a-posteriori-estimation問題に同型である。
DSE-SMCはシーケンシャルなモンテカルロ(SMC)と適応的な進化的ファジリングアルゴリズムを組み込んでおり、DSE-SMCは分析プログラムの資源利用行動によって引き起こされる後部分布に漸近的に収束する。
Javaアプリケーションの実験的評価により、DSE-SMCは、最悪のケース解析のために既存のブラックボックスファジィ法よりもはるかに効果的であることが示された。
関連論文リスト
- LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - Monte Carlo Planning for Stochastic Control on Constrained Markov Decision Processes [1.445706856497821]
本研究は,MDP フレームワークである textttSD-MDP を定義し,MDP の遷移と報酬ダイナミクスの因果構造を解析する。
モンテカルロサンプリングから独立な値推定を行うことにより、最適ポリシの下での値関数の推定誤差に関する理論的保証を導出する。
論文 参考訳（メタデータ） (2024-06-23T16:22:40Z) - Worst-Case Convergence Time of ML Algorithms via Extreme Value Theory [8.540426791244533]
本稿では、極端な値の統計を利用して、機械学習アルゴリズムの最悪の収束時間を予測する。
タイミングはMLシステムの重要な非機能特性であり、最悪の収束時間を提供することは、MLとそのサービスの可用性を保証するために不可欠である。
論文 参考訳（メタデータ） (2024-04-10T17:05:12Z) - Solving Satisfiability Modulo Counting for Symbolic and Statistical AI
Integration With Provable Guarantees [18.7083987727973]
満足度モデュロカウント(Satifiability Modulo Counting、SMC)は、象徴的な意思決定と統計的推論の両方を必要とする問題を包含する。
XOR-SMCは、SMCで数えられるモデルをSAT式に置き換えることで、非常に難解なSMCを満足できる問題に変換する。
XOR-SMC は真の最適値に近い解を見つけ、SMC における難解なモデルカウントのよい近似を見つけるのに苦戦するいくつかの基本値を上回る。
論文 参考訳（メタデータ） (2023-09-16T05:34:59Z) - Data-driven Piecewise Affine Decision Rules for Stochastic Programming
with Covariate Information [5.054099828483128]
非部分的決定(PADR)に埋め込まれた経験的リスク(M)手法を提案する。
提案手法は理論的整合性を持つ広範で非クラスな非制約問題に適用可能であることを示す。
論文 参考訳（メタデータ） (2023-04-26T16:08:49Z) - Adaptive sparseness for correntropy-based robust regression via
automatic relevance determination [17.933460891374498]
我々は,最大コレントロピー基準(MCC)に基づくロバスト回帰アルゴリズムと自動妥当性判定(ARD)手法をベイズフレームワークに統合する。
我々は、MCCから固有のノイズ仮定を用いて、明示的な可能性関数を導出し、ARD前の最大後部推定(MAP)を実現する。
MCC-ARDはL1正規化MCCよりも優れた予測性能と特徴選択能力を実現している。
論文 参考訳（メタデータ） (2023-01-31T20:23:32Z) - Exploring the Algorithm-Dependent Generalization of AUPRC Optimization
with List Stability [107.65337427333064]
AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。
本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。
3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
論文 参考訳（メタデータ） (2022-09-27T09:06:37Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。
我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。
このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
論文 参考訳（メタデータ） (2021-02-23T20:22:56Z) - Efficient semidefinite-programming-based inference for binary and
multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。
一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文 参考訳（メタデータ） (2020-12-04T15:36:29Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z)
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。