論文の概要: BayesFLo: Bayesian fault localization of complex software systems
- arxiv url: http://arxiv.org/abs/2403.08079v1
- Date: Tue, 12 Mar 2024 21:12:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 16:22:33.046038
- Title: BayesFLo: Bayesian fault localization of complex software systems
- Title（参考訳）: BayesFLo: 複雑なソフトウェアシステムのベイズ的フォールトローカライゼーション
- Authors: Yi Ji, Simon Mak, Ryan Lekivetz, Joseph Morgan
- Abstract要約: ソフトウェアテストの主要なステップは、障害ローカライゼーションである。これは、テストデータを使用して、さらなる診断のために障害誘発の組み合わせをピンポイントする。
既存の断層定位法は決定論的であり、潜在的な根本原因の確率的リスクを評価するための原則的アプローチを提供していない。
本稿では,潜在的根本原因の組み合わせに対して柔軟なベイズモデルを利用するベイズFLoと呼ばれる新しいベイズ断層定位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）: 4.217640663997775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software testing is essential for the reliable development of complex
software systems. A key step in software testing is fault localization, which
uses test data to pinpoint failure-inducing combinations for further diagnosis.
Existing fault localization methods, however, are largely deterministic, and
thus do not provide a principled approach for assessing probabilistic risk of
potential root causes, or for integrating domain and/or structural knowledge
from test engineers. To address this, we propose a novel Bayesian fault
localization framework called BayesFLo, which leverages a flexible Bayesian
model on potential root cause combinations. A key feature of BayesFLo is its
integration of the principles of combination hierarchy and heredity, which
capture the structured nature of failure-inducing combinations. A critical
challenge, however, is the sheer number of potential root cause scenarios to
consider, which renders the computation of posterior root cause probabilities
infeasible even for small software systems. We thus develop new algorithms for
efficient computation of such probabilities, leveraging recent tools from
integer programming and graph representations. We then demonstrate the
effectiveness of BayesFLo over state-of-the-art fault localization methods, in
a suite of numerical experiments and in two motivating case studies on the JMP
XGBoost interface.
- Abstract（参考訳）: ソフトウェアテストは複雑なソフトウェアシステムの信頼性の高い開発に不可欠である。
ソフトウェアテストにおける重要なステップは、障害ローカライゼーションである。これは、テストデータを使用して、さらなる診断のために障害誘発の組み合わせをピンポイントする。
しかし、既存のフォールトローカライゼーション手法は決定論的であり、潜在的な根本原因の確率的リスクを評価するための原則的アプローチや、テストエンジニアによるドメインおよび/または構造的知識を統合するための原則的アプローチを提供していない。
そこで本研究では,潜在的根本原因の組み合わせに対して柔軟なベイズモデルを利用するベイズFLoという,新しいベイズ断層局在化フレームワークを提案する。
BayesFLoの重要な特徴は、結合階層と遺伝の原則の統合である。
しかし、重要な課題は、考えられる根本原因シナリオの多さであり、小さなソフトウェアシステムであっても、後部根本原因確率の計算は不可能である。
そこで我々は、整数プログラミングやグラフ表現の最近のツールを活用して、そのような確率の効率的な計算のための新しいアルゴリズムを開発した。
次に, 現状の断層定位法に対するBayesFLoの有効性を, 数値実験と, JMP XGBoost インタフェースの2つの動機づけケーススタディで実証した。
関連論文リスト
- Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - Bayesian Safety Validation for Failure Probability Estimation of Black-Box Systems [34.61865848439637]
失敗の確率を推定することは、安全クリティカルなシステムの認証において重要なステップである。
この研究は、ベイズ最適化問題としてブラックボックス安全性検証の問題を補足する。
このアルゴリズムは、障害を探索し、最もよく似た障害を計算し、オペレーティングシステム上での障害確率を推定するように設計されている。
論文 参考訳（メタデータ） (2023-05-03T22:22:48Z) - A Learning-Based Optimal Uncertainty Quantification Method and Its
Application to Ballistic Impact Problems [1.713291434132985]
本稿では、入力(または事前)測度が部分的に不完全であるシステムに対する最適(最大および無限)不確実性境界について述べる。
本研究では,不確実性最適化問題に対する学習基盤の枠組みを実証する。
本手法は,工学的実践における性能証明と安全性のためのマップ構築に有効であることを示す。
論文 参考訳（メタデータ） (2022-12-28T14:30:53Z) - Bayesian sequential design of computer experiments for quantile set inversion [0.0]
複素数値シミュレータのようなシステムを表現する未知の多変量関数を考える。
我々の目的は、確率が与えられた閾値未満の出力につながる決定論的入力のセットを推定することである。
論文 参考訳（メタデータ） (2022-11-02T10:14:05Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Rare event estimation using stochastic spectral embedding [0.0]
まれな障害事象の確率を推定することは、エンジニアリングシステムの信頼性評価において重要なステップである。
稀な事象推定問題を効率的に解くためにアルゴリズムを調整した一連の修正を提案する。
論文 参考訳（メタデータ） (2021-06-09T16:10:33Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Handling Epistemic and Aleatory Uncertainties in Probabilistic Circuits [18.740781076082044]
確率的推論の大規模クラスを扱うアプローチの背後にある独立性の仮定を克服する手法を提案する。
ベイズ学習のアルゴリズムは、完全な観察にもかかわらず、スパースから提供します。
そのような回路の各リーフは、不確実な確率を表すエレガントなフレームワークを提供するベータ分散ランダム変数でラベル付けされています。
論文 参考訳（メタデータ） (2021-02-22T10:03:15Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z)
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。