論文の概要: A Practical Approach to Combinatorial Test Design

• arxiv url: http://arxiv.org/abs/2410.19522v1
• Date: Fri, 25 Oct 2024 12:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:37:29.159562
• Title: A Practical Approach to Combinatorial Test Design
• Title（参考訳）: 組合せテスト設計への実践的アプローチ
• Authors: Eitan Farchi, Debbie Furman,
• Abstract要約: Combinatorial Test Design (CTD)は、テストスペースの削減と高品質で効率的なテストを提供するために使用できる。 本書ではCTDテスト設計手法とCTDモデリングについて詳述する。 また、テストを直接集中するためのカバレッジ要件を最も適切に定義する方法も説明します。
• 参考スコア（独自算出の注目度）: 0.7212939068975619
• License:
• Abstract: Typical software has a huge input space. The number of inputs may be astronomical or even infinite. Thus, the task of validating that the software is correct seems hopeless. To deal with this difficult task, Combinatorial Test Design (CTD) can be used to provide reduction of the testing space and high quality and efficient testing. The application of CTD is largely determined by the quality of the CTD model. This book covers the CTD test design methodology and CTD modeling in details. It elaborates on the process of constraints definition. It also explains how to best define your coverage requirements to direct and focus your tests. It is hard to create good CTD models without a good grasp of the implementation of CTD tooling. To that hand, the book also takes a deeper dive into covering principles and algorithms needed to build CTD tooling. Hands on exercises are used throughout the text and help create a clear understanding of the concepts covered within this book.
• Abstract（参考訳）: 典型的なソフトウェアには膨大な入力スペースがある。 入力の数は天文学的あるいは無限的かもしれない。 したがって、ソフトウェアが正しいことを検証するというタスクは絶望的とは思えない。 この困難なタスクに対処するために、 Combinatorial Test Design(CTD)を使用して、テストスペースの削減と高品質で効率的なテストを提供する。 CTDの応用はCTDモデルの品質によって決定される。 本書ではCTDテスト設計手法とCTDモデリングについて詳述する。 制約定義のプロセスについて詳述する。 また、テストを直接集中するためのカバレッジ要件を最も適切に定義する方法も説明します。 CTDツールの実装を十分に把握することなく、優れたCTDモデルを作成するのは難しい。 またこの本では、CTDツール構築に必要な原則やアルゴリズムについても詳しく説明している。 エクササイズの手はテキスト全体を通して使用され、この本でカバーされている概念を明確に理解するのに役立ちます。

関連論文リスト

• Coverage measurement in model-based testing of web applications: Tool support and an industrial experience report [1.5984927623688918]
  大規模産業用Webアプリケーションのテスト環境では、いくつかの種類のカバレッジデータを"統合"する必要性に直面しました。 我々はMBTCoverというMBTに特化したオープンソースのテストカバレッジツールを開発した。 コードカバレッジに加えて、ツールが要求とモデルカバレッジを計測し、レポートする。
  論文  参考訳（メタデータ） (2024-08-12T13:43:06Z)
• Creating a Trajectory for Code Writing: Algorithmic Reasoning Tasks [0.923607423080658]
  本稿では,楽器とその検証に用いる機械学習モデルについて述べる。 我々は,学期最後の週に導入プログラミングコースで収集したデータを用いてきた。 先行研究は、ARTタイプの楽器を特定の機械学習モデルと組み合わせて効果的な学習軌道として機能させることができることを示唆している。
  論文  参考訳（メタデータ） (2024-04-03T05:07:01Z)
• A Machine Learning Approach Towards SKILL Code Autocompletion [6.586356094533907]
  本研究は,ハードウェア設計技術者の生産性向上に向けて,SKILLコードオートコンプリートにトランスフォーマーを適用した最初の事例である。 ラベル付きデータとラベル付きデータの両方で高品質なSKILLデータセットを作成するための新しい手法を提案する。 提案手法を用いて訓練されたモデルは,人間の判断スコアとBLEUスコアにおいて,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T14:29:28Z)
• Code quality assessment using transformers [0.0]
  本研究では,品質スコアをJavaコードに自動的に割り当てるCodeBERTについて検討する。 コード品質評価のための新しいデータセット上で,モデルの精度について検討する。 コード品質はある程度予測可能であり、タスク適応型事前学習を用いたトランスフォーマーベースモデルは、他の手法よりも効率的にタスクを解くことができる。
  論文  参考訳（メタデータ） (2023-09-17T12:59:59Z)
• Enriching Source Code with Contextual Data for Code Completion Models: An Empirical Study [4.438873396405334]
  コンテクストデータを用いてコードを理解しやすくすることで、コード補完作業のための事前学習された言語モデルの性能が向上するかどうかを問う。 コメントについては、マルチラインコメントの存在下でモデルの性能が向上していることが分かる。
  論文  参考訳（メタデータ） (2023-04-24T17:09:14Z)
• Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey [53.258091735278875]
  本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。 これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。 この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2022-08-22T12:12:43Z)
• Toward the Understanding of Deep Text Matching Models for Information Retrieval [72.72380690535766]
  本稿では,既存の深層テキストマッチング手法が情報検索の基本的な勾配を満たすかどうかを検証することを目的とする。 具体的には, 項周波数制約, 項識別制約, 長さ正規化制約, TF長制約の4つの属性を用いる。 LETOR 4.0 と MS Marco の実験結果から,研究対象の深層テキストマッチング手法はすべて,統計学において高い確率で上記の制約を満たすことが示された。
  論文  参考訳（メタデータ） (2021-08-16T13:33:15Z)
• Uncertainty Baselines: Benchmarks for Uncertainty & Robustness in Deep Learning [66.59455427102152]
  不確実性ベースライン(Uncertainty Baselines): 各種タスクにおける標準および最先端のディープラーニング手法の高品質な実装。 各ベースラインは、簡単に再利用可能で拡張可能なコンポーネントを備えた、自己完結型の実験パイプラインである。 モデルチェックポイント、Pythonノートブックとしての実験出力、結果を比較するためのリーダーボードを提供する。
  論文  参考訳（メタデータ） (2021-06-07T23:57:32Z)
• NAS-BERT: Task-Agnostic and Adaptive-Size BERT Compression with Neural Architecture Search [100.71365025972258]
  BERT圧縮の効率的な手法であるNAS-BERTを提案する。 NAS-BERTは、検索空間上で大きなスーパーネットをトレーニングし、適応的なサイズとレイテンシを持つ複数の圧縮モデルを出力する。 GLUEとSQuADベンチマークデータセットの実験は、NAS-BERTが以前のアプローチよりも高精度で軽量なモデルを見つけることができることを示した。
  論文  参考訳（メタデータ） (2021-05-30T07:20:27Z)
• Measuring Coding Challenge Competence With APPS [54.22600767666257]
  コード生成のベンチマークであるAPPSを紹介する。 私たちのベンチマークには1万の問題が含まれています。 GPT-Neoのような最近のモデルでは、導入問題のテストケースの約15%をパスできる。
  論文  参考訳（メタデータ） (2021-05-20T17:58:42Z)
• CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT (Extended Version) [62.96267257163426]
  我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。 まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。 次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T20:22:50Z)

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。