論文の概要: MuFF: Stable and Sensitive Post-training Mutation Testing for Deep Learning

• arxiv url: http://arxiv.org/abs/2501.09846v2
• Date: Wed, 22 Jan 2025 13:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:30:44.378201
• Title: MuFF: Stable and Sensitive Post-training Mutation Testing for Deep Learning
• Title（参考訳）: MuFF: ディープラーニングのための安定かつ敏感なポストトレーニング変異テスト
• Authors: Jinhan Kim, Nargiz Humbatova, Gunel Jahangirova, Shin Yoo, Paolo Tonella,
• Abstract要約: 変異体の安定性を確保するために, MuFF と命名された新しい効率的なDL変異法を提案する。 MuFFはDeepMutation++とDeepCrimeと比較して60%、25%高い感度の変異体を生成する。 MuFFはポストトレーニング突然変異法の利点を保ち、DeepCrimeの61倍の速度で突然変異を生成する。
• 参考スコア（独自算出の注目度）: 17.586333091528594
• License:
• Abstract: Rapid adoptions of Deep Learning (DL) in a broad range of fields led to the development of specialised testing techniques for DL systems, including DL mutation testing. However, existing post-training DL mutation techniques often generate unstable mutants across multiple training repetitions and multiple applications of the same mutation operator. Additionally, while extremely efficient, they generate mutants without taking into account the mutants' sensitivity and killability, resulting in a large number of ineffective mutants compared to pre-training mutants. In this paper, we present a new efficient post-training DL mutation technique, named MuFF, designed to ensure the stability of the mutants and capable of generating killable and sensitive mutants. MuFF implements an automated stability check and introduces two mutation operators, named weight and neuron inhibitors. Our extensive empirical experiments show that MuFF generates mutants with 60%pt and 25%pt higher sensitivity compared to DeepMutation++ and DeepCrime, respectively, while also producing mutants that are more stable than those of DeepMutation++ and different from the mutants of DeepCrime. Moreover, MuFF preserves the benefits of the post-training mutation technique, being 61 times faster than DeepCrime in generating mutants.
• Abstract（参考訳）: 幅広い分野におけるDeep Learning(DL)の急速な普及は、DL突然変異テストを含むDLシステムの特殊なテスト技術の開発につながった。 しかし、既存の訓練後のDL突然変異技術は、しばしば複数のトレーニングを繰り返し、同じ突然変異演算子を複数の応用する不安定な変異を生成する。 さらに、非常に効率的であるが、変異体の感受性や致死性を考慮せずに変異体を生成するため、事前訓練された突然変異体と比較して多くの非効率な変異体が生成される。 本稿では, 変異体の安定性を確保し, 致死性, 感受性を有する変異体を生成することを目的とした, MuFF と命名された新しい効率的なDL突然変異法を提案する。 MuFFは自動安定性チェックを実装し、ウェイトとニューロンインヒビターという2つの突然変異演算子を導入している。 実験により, MuFFはDeepMutation++とDeepCrimeと比較して60%, 25%高感度の変異体を生成する一方で, DeepMutation++より安定でDeepCrimeの変異体とは異なる変異体を生成することがわかった。 さらに、MuFFはポストトレーニング突然変異法の利点を保ち、DeepCrimeの61倍の速度で突然変異を発生させる。

関連論文リスト

• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• An Empirical Evaluation of Manually Created Equivalent Mutants [54.02049952279685]
  手動で作成した突然変異体の10%未満は等価である。 驚くべきことに、我々の発見は、開発者の大部分が同等のミュータントを正確に識別するのに苦労していることを示している。
  論文  参考訳（メタデータ） (2024-04-14T13:04:10Z)
• Predicting loss-of-function impact of genetic mutations: a machine learning approach [0.0]
  本稿では,遺伝子変異の属性に基づいて機械学習モデルを学習し,LoFtoolスコアを予測することを目的とする。 これらの属性には、染色体上の突然変異の位置、アミノ酸の変化、変異によって引き起こされるコドンの変化が含まれていた。 モデルは, 平均2乗誤差, 平均2乗誤差, 平均2乗誤差, 平均絶対誤差, 説明分散の5倍のクロスバリデード平均を用いて評価した。
  論文  参考訳（メタデータ） (2024-01-26T19:27:38Z)
• MuRS: Mutant Ranking and Suppression using Identifier Templates [4.9205581820379765]
  Googleの突然変異テストサービスは、差分ベースの突然変異テストをコードレビュープロセスに統合する。 Googleの突然変異テストサービスは、役に立たないミュータントをターゲットにした、いくつかの抑制ルールを実装している。 テスト中のソースコードのパターンによってミュータントをグループ化する自動手法である MuRS を提案し,評価する。
  論文  参考訳（メタデータ） (2023-06-15T13:43:52Z)
• Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
  ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。 教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。 本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-06T00:20:19Z)
• Mutation Testing of Deep Reinforcement Learning Based on Real Faults [11.584571002297217]
  本稿では,MT(Reinforcement Learning, 強化学習)システムに拡張するために,既存のMT(Mutation Testing)アプローチに基づいて構築する。 本研究は, 突然変異致死定義の設計選択が, 生成したテストケースだけでなく, 変異が致死するか否かにも影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2023-01-13T16:45:56Z)
• Recurrence Boosts Diversity! Revisiting Recurrent Latent Variable in Transformer-Based Variational AutoEncoder for Diverse Text Generation [85.5379146125199]
  変分自動エンコーダ(VAE)はテキスト生成において広く採用されている。 本稿ではトランスフォーマーをベースとしたリカレントVAE構造であるTRACEを提案する。
  論文  参考訳（メタデータ） (2022-10-22T10:25:35Z)
• MViT: Mask Vision Transformer for Facial Expression Recognition in the wild [77.44854719772702]
  野生における表情認識(FER)はコンピュータビジョンにおいて極めて困難な課題である。 本研究ではまず,野生におけるFERのためのマスク・ビジョン・トランス (MViT) を提案する。 我々のMViTはRAF-DBの最先端手法を88.62%、FERPlusを89.22%、AffectNet-7を64.57%で上回り、61.40%でAffectNet-8と同等の結果を得る。
  論文  参考訳（メタデータ） (2021-06-08T16:58:10Z)
• DeepMutation: A Neural Mutation Tool [26.482720255691646]
  DeepMutationは、ディープラーニングモデルを完全に自動化されたツールチェーンにラップするツールです。 実際の断層から学んだ変異体を生成し、注入し、テストすることができる。
  論文  参考訳（メタデータ） (2020-02-12T01:57:41Z)

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。