論文の概要: Many-Objective Neuroevolution for Testing Games

• arxiv url: http://arxiv.org/abs/2501.07954v1
• Date: Tue, 14 Jan 2025 09:18:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:27:50.782397
• Title: Many-Objective Neuroevolution for Testing Games
• Title（参考訳）: テストゲームのための多目的神経進化
• Authors: Patric Feldmeier, Katrin Schmelz, Gordon Fraser,
• Abstract要約: テストジェネレータNEATESTは、検索ベースのソフトウェアテスト原則と神経進化を組み合わせることで、課題に取り組む。 我々はNEATESTを複数のプログラム状態を同時に対象とする多目的探索アルゴリズムに変換する。 実験の結果,NEATESTを複数の目的に拡張することで,平均枝面積が75.88%から81.33%に増加することがわかった。
• 参考スコア（独自算出の注目度）: 8.422309223970302
• License:
• Abstract: Generating tests for games is challenging due to the high degree of randomisation inherent to games and hard-to-reach program states that require sophisticated gameplay. The test generator NEATEST tackles these challenges by combining search-based software testing principles with neuroevolution to optimise neural networks that serve as test cases. However, since NEATEST is designed as a single-objective algorithm, it may require a long time to cover fairly simple program states or may even get stuck trying to reach unreachable program states. In order to resolve these shortcomings of NEATEST, this work aims to transform the algorithm into a many-objective search algorithm that targets several program states simultaneously. To this end, we combine the neuroevolution algorithm NEATEST with the two established search-based software testing algorithms, MIO and MOSA. Moreover, we adapt the existing many-objective neuroevolution algorithm NEWS/D to serve as a test generator. Our experiments on a dataset of 20 SCRATCH programs show that extending NEATEST to target several objectives simultaneously increases the average branch coverage from 75.88% to 81.33% while reducing the required search time by 93.28%.
• Abstract（参考訳）: ゲームに対するテストの生成は、ゲーム固有の高度なランダム化と、洗練されたゲームプレイを必要とする難解なプログラム状態のために困難である。 テストジェネレータNEATESTは、検索ベースのソフトウェアテスト原則とニューロ進化を組み合わせて、テストケースとして機能するニューラルネットワークを最適化することで、これらの課題に対処する。 しかし、NEATESTは単目的のアルゴリズムとして設計されているため、かなり単純なプログラム状態をカバーするのに長い時間がかかるかもしれない。 NEATESTのこれらの欠点を解決するために,本研究は,複数のプログラム状態を同時に対象とする多目的探索アルゴリズムにアルゴリズムを変換することを目的としている。 この目的のために、ニューラル進化アルゴリズムNEATESTと、既存の検索ベースソフトウェアテストアルゴリズムMIOとMOSAを組み合わせる。 さらに、既存の多目的神経進化アルゴリズムNEWS/Dをテストジェネレータとして適用する。 SCRATCHプログラム20件のデータセットによる実験の結果,NEATESTを複数の目標に拡張することで,平均分岐範囲が75.88%から81.33%に増加し,必要な探索時間を93.28%削減できることがわかった。

関連論文リスト

• Searching Latent Program Spaces [0.0]
  本研究では,連続空間における潜伏プログラム上の分布を学習し,効率的な探索とテスト時間適応を可能にするプログラム誘導アルゴリズムを提案する。 テスト時間適応機構を利用して、トレーニング分布を超えて一般化し、目に見えないタスクに適応できることを示す。
  論文  参考訳（メタデータ） (2024-11-13T15:50:32Z)
• Touchstone Benchmark: Are We on the Right Way for Evaluating AI Algorithms for Medical Segmentation? [90.30635552818875]
  9種類の腹部臓器の大規模共同セグメント化ベンチマークであるTouchstoneを報告する。 このベンチマークは、世界中の76の病院から5,195回のCTスキャンと、11の病院から5,903回のCTスキャンに基づいています。 私たちは19のAIアルゴリズムの発明者14人を招待してアルゴリズムをトレーニングしましたが、私たちのチームは第三者として、3つのテストセットでこれらのアルゴリズムを独立して評価しました。
  論文  参考訳（メタデータ） (2024-11-06T05:09:34Z)
• Combining Neuroevolution with the Search for Novelty to Improve the Generation of Test Inputs for Games [9.465831527115235]
  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。
  論文  参考訳（メタデータ） (2024-07-06T07:36:44Z)
• Towards the coherent control of robust spin qubits in quantum algorithms [0.0]
  緩和対象のワンスピン量子ゲートベースアルゴリズムを実行する。 計算された忠実度における緩和効果と潜在的実験的不完全性の影響を評価した。 この研究は量子アルゴリズムにおける多スピン量子ビット系の研究を刺激する。
  論文  参考訳（メタデータ） (2023-03-10T16:21:06Z)
• NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision Research [96.53307645791179]
  我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。 分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。 NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
  論文  参考訳（メタデータ） (2022-11-15T18:57:46Z)
• CrossBeam: Learning to Search in Bottom-Up Program Synthesis [51.37514793318815]
  ボトムアップ合成のためのハンズオン検索ポリシーを学習するためのニューラルネットワークのトレーニングを提案する。 私たちのアプローチは、CrossBeamと呼ばれ、ニューラルモデルを使用して、以前に探索されたプログラムを新しいプログラムに組み合わせる方法を選択します。 我々はCrossBeamが効率的に検索することを学び、最先端技術と比較してプログラム空間のより小さな部分を探索する。
  論文  参考訳（メタデータ） (2022-03-20T04:41:05Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Strong Generalization and Efficiency in Neural Programs [69.18742158883869]
  本稿では,ニューラルプログラム誘導の枠組みを強く一般化する効率的なアルゴリズムを学習する問題について検討する。 ニューラルネットワークの入力/出力インターフェースを慎重に設計し、模倣することで、任意の入力サイズに対して正しい結果を生成するモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2020-07-07T17:03:02Z)
• Run2Survive: A Decision-theoretic Approach to Algorithm Selection based on Survival Analysis [75.64261155172856]
  生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。 我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。 標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-07-06T15:20:17Z)
• Fast and stable MAP-Elites in noisy domains using deep grids [1.827510863075184]
  Deep-Grid MAP-ElitesはMAP-Elitesアルゴリズムの変種である。 この単純なアプローチは、適合性最適化の観点から競争性能を達成しつつ、動作記述子のノイズに対する耐性が著しく高いことを示す。
  論文  参考訳（メタデータ） (2020-06-25T08:47:23Z)
• Evolving Neural Networks through a Reverse Encoding Tree [9.235550900581764]
  本稿では,拡張性のあるニューラルネットワークを効率的に進化させる手法として,Reverse HANG Tree (RET) と呼ばれるトポロジカルエッジコーディングを取り入れた手法を提案する。 RETを用いた2種類のアプローチ - Binary search encoding (Bi-NEAT) のNEATとGolden-Section search encoding (GS-NEAT) のNEAT - は、連続学習環境のベンチマークにおける問題を解決するために設計された。
  論文  参考訳（メタデータ） (2020-02-03T02:29:51Z)

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。