論文の概要: Introducing Ensemble Machine Learning Algorithms for Automatic Test Case Generation using Learning Based Testing

• arxiv url: http://arxiv.org/abs/2409.04651v1
• Date: Fri, 6 Sep 2024 23:24:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 21:25:10.667069
• Title: Introducing Ensemble Machine Learning Algorithms for Automatic Test Case Generation using Learning Based Testing
• Title（参考訳）: 学習ベーステストを用いた自動テストケース生成のためのエンサンブル機械学習アルゴリズムの導入
• Authors: Sheikh Md. Mushfiqur Rahman, Nasir U. Eisty,
• Abstract要約: Ensemble法は、複数のモデルを組み合わせて予測能力を向上し、一般化エラーを低減する強力な機械学習アルゴリズムである。 本研究では,学習ベーステスト(LBT)アルゴリズムにおけるモデル推論のためのアンサンブル手法とベース分類器の組み合わせを体系的に検討し,SUTの故障検出テストケースを概念実証として生成することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensemble methods are powerful machine learning algorithms that combine multiple models to enhance prediction capabilities and reduce generalization errors. However, their potential to generate effective test cases for fault detection in a System Under Test (SUT) has not been extensively explored. This study aims to systematically investigate the combination of ensemble methods and base classifiers for model inference in a Learning Based Testing (LBT) algorithm to generate fault-detecting test cases for SUTs as a proof of concept. We conduct a series of experiments on functions, generating effective test cases using different ensemble methods and classifier combinations for model inference in our proposed LBT method. We then compare the test suites based on their mutation score. The results indicate that Boosting ensemble methods show overall better performance in generating effective test cases, and the proposed method is performing better than random generation. This analysis helps determine the appropriate ensemble methods for various types of functions. By incorporating ensemble methods into the LBT, this research contributes to the understanding of how to leverage ensemble methods for effective test case generation.
• Abstract（参考訳）: Ensemble法は、複数のモデルを組み合わせて予測能力を向上し、一般化エラーを低減する強力な機械学習アルゴリズムである。 しかし, システムアンダーテスト(SUT)における障害検出に有効なテストケースを生成する可能性については, 広く調査されていない。 本研究では,学習ベーステスト(LBT)アルゴリズムにおけるモデル推論のためのアンサンブル手法とベース分類器の組み合わせを体系的に検討し,SUTの故障検出テストケースを概念実証として生成することを目的とする。 提案手法では,異なるアンサンブル法とモデル推論のための分類器の組み合わせを用いて,関数に関する一連の実験を行い,効率的なテストケースを生成する。 次に、それらの突然変異スコアに基づいてテストスイートを比較します。 提案手法は, 効率的なテストケースを生成する上で, 全体の性能が向上していることを示すとともに, 提案手法は, ランダム生成よりも優れた性能を示している。 この分析は様々な種類の関数に対して適切なアンサンブル法を決定するのに役立つ。 LBTにアンサンブル法を組み込むことにより,効率的なテストケース生成にアンサンブル法を活用する方法の理解に寄与する。

関連論文リスト

• Prompt Optimization with EASE? Efficient Ordering-aware Automated Selection of Exemplars [66.823588073584]
  大規模言語モデル(LLM)は、現実世界のアプリケーションで印象的な機能を示している。 これらの卓越した作品の品質は、パフォーマンスに大きな影響を与えます。 既存の方法は、先行注文がパフォーマンスに与える影響を適切に説明できない。
  論文  参考訳（メタデータ） (2024-05-25T08:23:05Z)
• 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)
• Active Learning Principles for In-Context Learning with Large Language Models [65.09970281795769]
  本稿では,アクティブ・ラーニング・アルゴリズムが,文脈内学習における効果的な実演選択手法としてどのように機能するかを検討する。 ALによる文脈内サンプル選択は,不確実性の低い高品質な事例を優先し,試験例と類似性を有することを示す。
  論文  参考訳（メタデータ） (2023-05-23T17:16:04Z)
• Multiple Testing Framework for Out-of-Distribution Detection [27.248375922343616]
  本研究では,学習アルゴリズムの出力を推定時に信頼できるかどうかを検知するOOD(Out-of-Distribution)検出の問題について検討する。 我々は,OOD検出のための強力なテスト構築のための洞察を提供する,入力分布と学習アルゴリズムの両方を含むOOD概念の定義を提案する。
  論文  参考訳（メタデータ） (2022-06-20T00:56:01Z)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)
• Group Testing with Non-identical Infection Probabilities [59.96266198512243]
  そこで我々は,集合形成法を用いた適応型グループテストアルゴリズムを開発した。 提案アルゴリズムは, エントロピー下界に近い性能を示す。
  論文  参考訳（メタデータ） (2021-08-27T17:53:25Z)
• Hybrid Method Based on NARX models and Machine Learning for Pattern Recognition [0.0]
  本研究は,機械学習とシステム識別の方法論を統合した新しい手法を提案する。 本手法の効率は,機械学習におけるケーススタディにより検証され,古典的分類アルゴリズムと比較して絶対的な結果が得られた。
  論文  参考訳（メタデータ） (2021-06-08T00:17:36Z)
• Online GANs for Automatic Performance Testing [0.10312968200748115]
  GAN(Generative Adversarial Network)のオンライン版を利用した自動パフォーマンステストのための新しいアルゴリズムを提案する。 提案手法では、テスト中のシステムの事前のトレーニングセットやモデルを必要としない。 我々は,提案アルゴリズムが概念実証として機能し,GANの試験生成への応用に関する研究議論の火花となることを期待する。
  論文  参考訳（メタデータ） (2021-04-21T06:03:27Z)
• An Efficient Model Inference Algorithm for Learning-based Testing of Reactive Systems [0.0]
  学習ベースのテスト(LBT)は、ソフトウェアシステムの反復的なブラックボックス要求テストを自動化する新しい方法論である。 決定論的クリプキ構造のためのアクティブインクリメンタル学習アルゴリズムであるIKL学習アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2020-08-14T09:48:58Z)
• Cross-validation Confidence Intervals for Test Error [83.67415139421448]
  この研究は、クロスバリデーションのための中心極限定理と、学習アルゴリズムの弱い安定性条件下での分散の一貫した推定器を開発する。 結果は、一般的な1対1のクロスバリデーションの選択にとって、初めてのものだ。
  論文  参考訳（メタデータ） (2020-07-24T17:40:06Z)
• Bloom Origami Assays: Practical Group Testing [90.2899558237778]
  グループテストは、いくつかの魅力的なソリューションでよく研究されている問題である。 近年の生物学的研究は、従来の方法と相容れない新型コロナウイルスの実践的な制約を課している。 我々は,Bloomフィルタと信条伝搬を組み合わせた新しい手法を開発し,n(100以上)の大きい値に拡張し,良好な経験的結果を得る。
  論文  参考訳（メタデータ） (2020-07-21T19:31:41Z)

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。