論文の概要: MulTi-Wise Sampling: Trading Uniform T-Wise Feature Interaction Coverage for Smaller Samples
- arxiv url: http://arxiv.org/abs/2406.19801v1
- Date: Fri, 28 Jun 2024 10:16:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 17:10:02.981992
- Title: MulTi-Wise Sampling: Trading Uniform T-Wise Feature Interaction Coverage for Smaller Samples
- Title（参考訳）: MulTi-Wiseサンプリング:より小さなサンプルのための一様T-Wise特徴相互作用カバー
- Authors: Tobias Pett, Sebastian Krieter, Thomas Thüm, Ina Schaefer,
- Abstract要約: 既存のt-wiseサンプリングアルゴリズムは、すべての特徴に対するt-wise特徴相互作用を均一にカバーする。
本稿では,一様カバレッジの必要性を問う,T-wise特徴相互作用サンプリングに対する新しいアプローチを提案する。
我々のアプローチは、重要な特徴のサブセットに対する高いt値を考慮して、臨界特徴のサブセットと非臨界特徴のサブセットを優先順位付けする。
- 参考スコア（独自算出の注目度）: 4.337339380445765
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensuring the functional safety of highly configurable systems often requires testing representative subsets of all possible configurations to reduce testing effort and save resources. The ratio of covered t-wise feature interactions (i.e., T-Wise Feature Interaction Coverage) is a common criterion for determining whether a subset of configurations is representative and capable of finding faults. Existing t-wise sampling algorithms uniformly cover t-wise feature interactions for all features, resulting in lengthy execution times and large sample sizes, particularly when large t-wise feature interactions are considered (i.e., high values of t). In this paper, we introduce a novel approach to t-wise feature interaction sampling, questioning the necessity of uniform coverage across all t-wise feature interactions, called \emph{\mulTiWise{}}. Our approach prioritizes between subsets of critical and non-critical features, considering higher t-values for subsets of critical features when generating a t-wise feature interaction sample. We evaluate our approach using subject systems from real-world applications, including \busybox{}, \soletta{}, \fiasco{}, and \uclibc{}. Our results show that sacrificing uniform t-wise feature interaction coverage between all features reduces the time needed to generate a sample and the resulting sample size. Hence, \mulTiWise{} Sampling offers an alternative to existing approaches if knowledge about feature criticality is available.
- Abstract（参考訳）: 高度に構成可能なシステムの機能的安全性を確保するには、テストの労力を削減し、リソースを節約するために、可能なすべての構成の代表的なサブセットをテストする必要があることが多い。
T-Wise Feature Interaction Coverage (T-Wise Feature Interaction Coverage) は、構成のサブセットが代表的で欠陥を見つけることができるかどうかを決定する一般的な基準である。
既存のt-wiseサンプリングアルゴリズムは、全ての特徴に対するt-wiseフィーチャの相互作用を均一にカバーし、特に大きなt-wise特徴の相互作用(すなわちtの高値)を考慮した場合、長い実行時間と大きなサンプルサイズをもたらす。
本稿では,すべてのt-wise特徴相互作用に対して一様カバレッジの必要性を問う,t-wise特徴相互作用サンプリングに対する新しいアプローチを提案する。
本手法は, 臨界特徴と非臨界特徴のサブセットを優先し, t-wise特徴の相互作用サンプルを生成する際に, 臨界特徴のサブセットに対して高いt値を考える。
本稿では, 実世界のアプリケーションにおける対象システムを用いて, 提案手法の評価を行う。
以上の結果から,全特徴量間におけるT-wise特徴相互作用の均一化は,試料生成時間と試料サイズを減少させることがわかった。
したがって、 \mulTiWise{} Smplingは、機能臨界性に関する知識が利用可能であれば、既存のアプローチに代わるものを提供する。
関連論文リスト
- cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process [23.266122629592807]
マルチプル・インスタンス・ラーニング (MIL) は全スライス・ヒストパラメトリック・イメージ (WSI) 解析に広く応用されている。
MILの既存の集約戦略は、主にインスタンス間の一階距離に依存するが、各インスタンスの真の特徴分布を正確に近似することができない。
本稿では、複数のインスタンス学習のための新しいベイズ非パラメトリックフレームワークを提案し、WSIのインスタンス・ツー・バッグ特性を組み込むためにディリクレ・プロセスのカスケード(cDP)を採用する。
論文 参考訳（メタデータ） (2024-07-16T07:28:39Z) - A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。
また,モーザイクアーティファクトを緩和するのには単純だが有効であるHR特徴量に対して,きめ細かな近傍選択戦略を開発した。
提案するReSFUフレームワークは,異なるセグメンテーションアプリケーション上での良好な性能を一貫して達成する。
論文 参考訳（メタデータ） (2024-07-02T14:12:21Z) - Task-oriented Embedding Counts: Heuristic Clustering-driven Feature Fine-tuning for Whole Slide Image Classification [1.292108130501585]
本稿では,クラスタリング駆動型機能微調整法(HC-FT)を提案する。
提案手法はCAMELYON16とBRACSの両方で評価され,それぞれ97.13%,85.85%のAUCが得られた。
論文 参考訳（メタデータ） (2024-06-02T08:53:45Z) - Unifying Feature and Cost Aggregation with Transformers for Semantic and Visual Correspondence [51.54175067684008]
本稿では,高密度マッチングタスク用に設計されたTransformerベースの積分機能とコスト集約ネットワークを提案する。
まず, 特徴集約とコスト集約が異なる特徴を示し, 双方の集約プロセスの司法的利用から生じる実質的な利益の可能性を明らかにした。
本フレームワークは意味マッチングのための標準ベンチマークで評価され,また幾何マッチングにも適用された。
論文 参考訳（メタデータ） (2024-03-17T07:02:55Z) - Faster Stochastic Variance Reduction Methods for Compositional MiniMax
Optimization [50.10952609321302]
合成ミニマックス最適化は、さまざまな機械学習領域において重要な課題である。
構成最小最適化の現在の方法は、最適以下の複雑さや、大きなバッチサイズに大きく依存することによって悩まされている。
本稿では,Nested STOchastic Recursive Momentum (NSTORM)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-18T14:57:21Z) - Copula for Instance-wise Feature Selection and Ranking [24.09326839818306]
本稿では,変数間の相関を捉える強力な数学的手法であるガウスコプラを,現在の特徴選択フレームワークに組み込むことを提案する。
提案手法が有意な相関関係を捉えることができることを示すために, 合成データセットと実データセットの双方について, 性能比較と解釈可能性の観点から実験を行った。
論文 参考訳（メタデータ） (2023-08-01T13:45:04Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳（メタデータ） (2023-07-26T16:19:19Z) - Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ
LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。
本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
論文 参考訳（メタデータ） (2022-05-24T20:51:37Z) - VC Dimension and Distribution-Free Sample-Based Testing [0.8830479021890576]
関数のどのクラスが学習できるよりも効率的にテストできるかを決定するという問題を検討する。
PAC学習に必要なサンプル数よりもはるかに少ない多くのサンプルを用いて、2つの自然な関数クラス、ジャンタ関数とモノトン関数をテストできることが示される。
論文 参考訳（メタデータ） (2020-12-07T18:50:46Z) - Exploratory Landscape Analysis is Strongly Sensitive to the Sampling
Strategy [8.246980996934347]
明示的な問題表現が利用できないブラックボックス最適化では、少数のサンプルポイントから特徴値を近似する必要がある。
本研究では,サンプリング法とサンプルサイズが特徴値の近似値の品質に与える影響を解析する。
論文 参考訳（メタデータ） (2020-06-19T13:45:13Z) - Supervised Learning for Non-Sequential Data: A Canonical Polyadic
Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。
この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。
表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文 参考訳（メタデータ） (2020-01-27T22:38:40Z)
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。