論文の概要: Combining Neuroevolution with the Search for Novelty to Improve the Generation of Test Inputs for Games

• arxiv url: http://arxiv.org/abs/2407.04985v1
• Date: Sat, 6 Jul 2024 07:36:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 21:37:47.039114
• Title: Combining Neuroevolution with the Search for Novelty to Improve the Generation of Test Inputs for Games
• Title（参考訳）: ゲーム用テストインプット生成のための神経進化と新奇性検索の併用
• Authors: Patric Feldmeier, Gordon Fraser,
• Abstract要約: ゲームが従来の自動ホワイトボックステストジェネレータに挑戦するとき、Neatestは、ゲームをすることでソースコードを動作させるニューラルネットワークからなるテストスイートを生成する。 本研究は,探索中の新しい行動を促進することで,フィットネスランドスケープの課題に対処できるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 9.465831527115235
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As games challenge traditional automated white-box test generators, the Neatest approach generates test suites consisting of neural networks that exercise the source code by playing the games. Neatest generates these neural networks using an evolutionary algorithm that is guided by an objective function targeting individual source code statements. This approach works well if the objective function provides sufficient guidance, but deceiving or complex fitness landscapes may inhibit the search. In this paper, we investigate whether the issue of challenging fitness landscapes can be addressed by promoting novel behaviours during the search. Our case study on two Scratch games demonstrates that rewarding novel behaviours is a promising approach for overcoming challenging fitness landscapes, thus enabling future research on how to adapt the search algorithms to best use this information.
• Abstract（参考訳）: ゲームが従来の自動ホワイトボックステストジェネレータに挑戦するとき、Neatestアプローチは、ゲームをすることでソースコードを動作させるニューラルネットワークからなるテストスイートを生成する。 Neatestは、個々のソースコードステートメントをターゲットにした客観的関数によって導かれる進化的アルゴリズムを使用して、これらのニューラルネットワークを生成する。 目的関数が十分なガイダンスを提供する場合、このアプローチはうまく機能するが、複雑なフィットネスランドスケープが探索を阻害する可能性がある。 本稿では,探索中の新しい行動を促進することで,フィットネスランドスケープの課題に対処できるかどうかを考察する。 2つのScratchゲームに関するケーススタディでは、新しい行動に対する報酬は、困難なフィットネスランドスケープを克服する上で有望なアプローチであることを示す。

関連論文リスト

• Life, uh, Finds a Way: Systematic Neural Search [2.163881720692685]
  エージェントの動作に迅速に適応して、設定における継続的な問題を解決するという課題に取り組みます。 深層強化学習に焦点をあてる代わりに,探索手順の物理的表現としての視聴行動を提案する。 本稿では,行動実行とグラフの突然変異の間の厳密なフィードバックループを調節することにより,行動の暗黙的な列挙を行うアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2024-10-02T09:06:54Z)
• Assaying on the Robustness of Zero-Shot Machine-Generated Text Detectors [57.7003399760813]
  先進的なLarge Language Models (LLMs) とその特殊な変種を探索し、いくつかの方法でこの分野に寄与する。 トピックと検出性能の間に有意な相関関係が発見された。 これらの調査は、様々なトピックにまたがるこれらの検出手法の適応性と堅牢性に光を当てた。
  論文  参考訳（メタデータ） (2023-12-20T10:53:53Z)
• The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
  ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。 単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
  論文  参考訳（メタデータ） (2023-06-30T17:59:13Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• Novel Applications for VAE-based Anomaly Detection Systems [5.065947993017157]
  深層生成モデリング(DGM)は、与えられたデータセットから始まり、新規で見えないデータを生成することができる。 この技術が有望な応用を示すにつれて、多くの倫理的問題がもたらされる。 研究は、異なるバイアスが深層学習モデルに影響を与え、誤った表現のような社会的問題を引き起こすことを示している。
  論文  参考訳（メタデータ） (2022-04-26T20:30:37Z)
• Improving exploration in policy gradient search: Application to symbolic optimization [6.344988093245026]
  多くの機械学習戦略は、ニューラルネットワークを利用して数学記号の大きな空間を探索する。 従来の進化的アプローチとは対照的に、検索のコアでニューラルネットワークを使用することで、より高いレベルのシンボルパターンを学習することができる。 これらの手法は, 性能の向上, サンプル効率の向上, シンボル回帰の課題に対する解の複雑さの低減を図っている。
  論文  参考訳（メタデータ） (2021-07-19T21:11:07Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)
• Binary Neural Networks: A Survey [126.67799882857656]
  バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。 バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。 本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
  論文  参考訳（メタデータ） (2020-03-31T16:47:20Z)
• Meta-learning curiosity algorithms [26.186627089223624]
  我々はメタラーニングの1つとして好奇行動を生成する問題を定式化する。 私たちのリッチなプログラム言語は、ニューラルネットワークとバッファ、最も近いモジュール、カスタムロス関数といった他のビルディングブロックを結合します。 画像入力,アクロボット,月面着陸機,アリ,ホッパーを備えたグリッドナビゲーションと異なる領域において,人間の設計したキュリオシティアルゴリズムと同等以上の性能を持つ2つの新しいキュリオシティアルゴリズムが発見された。
  論文  参考訳（メタデータ） (2020-03-11T14:25:43Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)
• Neuroevolution of Neural Network Architectures Using CoDeepNEAT and Keras [0.0]
  機械学習プロジェクトに関わる作業の大部分は、与えられた問題を解決するのに最適なタイプのアルゴリズムを定義することである。 与えられた問題に対する最適なネットワークトポロジと設定を見つけることは、ドメインの知識とテストの努力を必要とする課題です。
  論文  参考訳（メタデータ） (2020-02-11T19:03:34Z)

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。