論文の概要: An Efficient Algorithm for Generating Minimal Unique-Cause MC/DC Test cases for Singular Boolean Expressions
- arxiv url: http://arxiv.org/abs/2507.14687v1
- Date: Sat, 19 Jul 2025 16:30:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:32.004648
- Title: An Efficient Algorithm for Generating Minimal Unique-Cause MC/DC Test cases for Singular Boolean Expressions
- Title（参考訳）: Singular Boolean Expression のための最小単価MC/DCテストケースの効率的な生成アルゴリズム
- Authors: Robin Lee, Youngho Nam,
- Abstract要約: MC/DC(Modified Condition/Decision Coverage)は、重要なシステムの信頼性と安全性を確保するための構造的カバレッジ基準である。
Unique-Cause MC/DCは高い保証を提供するが、その効率的なテスト生成に関する研究は不足している。
本稿は,N条件のSBEに対して,100%ユニクカスMC/DCを保証するため,N + 1ケースの最小限のテストセットを直接構築する決定論的アルゴリズムである'Robin's Rule'を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modified Condition/Decision Coverage (MC/DC) is a mandatory structural coverage criterion for ensuring the reliability and safety of critical systems. While its strictest form, Unique-Cause MC/DC, offers the highest assurance, research on its efficient test generation has been lacking. This gap is particularly significant, as an analysis of large-scale avionics systems shows that 99.7% of all conditional decisions are, in fact, Singular Boolean Expressions (SBEs) the ideal structure for applying Unique-Cause MC/DC. This paper proposes 'Robin's Rule', a deterministic algorithm that directly constructs a minimal test set of N + 1 cases to guarantee 100% Unique-Cause MC/DC for SBEs with N conditions, without generating a full truth table. To validate our approach, we constructed a benchmark by reformulating the TCAS-II specifications into SBEs and verified the results using an industry-standard, certified commercial tool. The results confirm that our method consistently achieves 100% coverage with the theoretical minimum number of tests and is more efficient than the commercial tool. This work provides a practical and provably optimal solution for verifying safety-critical systems, ensuring both rigor and efficiency.
- Abstract（参考訳）: MC/DC(Modified Condition/Decision Coverage)は、重要なシステムの信頼性と安全性を確保するための構造的カバレッジ基準である。
最も厳格な形式であるUnique-Cause MC/DCは高い保証を提供するが、効率的なテスト生成に関する研究は不足している。
このギャップは特に重要であり、大規模アビオニクスシステムの解析では、全ての条件付き決定の99.7%が、実際にSBE(Singular Boolean Expressions)が、Unique-Cause MC/DCを適用する理想的な構造であることを示している。
本稿では,N 条件の SBE に対して,完全真理表を生成することなく,100% 均一カス MC/DC を保証するため,N + 1 ケースの最小限のテストセットを直接構築する決定論的アルゴリズムである 'Robin's Rule' を提案する。
提案手法を検証するため,TCAS-II仕様をSBEに改定し,業界標準の認定商用ツールを用いて評価を行った。
その結果,提案手法は最小限の試験数で常に100%のカバレッジを達成でき,商用ツールよりも効率的であることが確認された。
この研究は、安全クリティカルなシステムを検証するための実用的で証明可能な最適ソリューションを提供し、厳密性と効率の両立を保証する。
関連論文リスト
- COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z) - Benign Overfitting in Out-of-Distribution Generalization of Linear Models [19.203753135860016]
我々は、アウト・オブ・ディストリビューション(OOD)体制における良心過剰の理解に向けて、最初の一歩を踏み出した。
我々は、標準的な隆起回帰において良性過剰適合が生じることを証明する非漸近保証を提供する。
また、より一般的な目標共分散行列の族についても理論的結果を示す。
論文 参考訳（メタデータ） (2024-12-19T02:47:39Z) - Robust Kernel Hypothesis Testing under Data Corruption [6.430258446597413]
本稿では,データ破損下でのロバストな置換テストを構築するための一般的な手法を提案する。
最小限の条件下での力の一貫性を証明する。
これは、潜在的な敵攻撃を伴う現実世界のアプリケーションに対する仮説テストの実践的な展開に寄与する。
論文 参考訳（メタデータ） (2024-05-30T10:23:16Z) - Minimax Optimal Goodness-of-Fit Testing with Kernel Stein Discrepancy [13.429541377715298]
我々は、カーネル化されたStein discrepancy (KSD) を用いた一般領域における適合性試験の極小最適性について検討する。
KSDは適合性テストのための強力なフレームワークであるが、その統計的最適性はほとんど探索されていない。
未知のパラメータに適応することで、対数係数まで最小限の最適性を達成できる適応テストを導入する。
論文 参考訳（メタデータ） (2024-04-12T07:06:12Z) - Efficient Test Data Generation for MC/DC with OCL and Search [1.8499314936771563]
アビオニクスのソフトウェアシステムのシステムレベルのテストでは、DO-178Cのような国際安全基準に準拠する必要がある。
DO-178Cの推奨基準の1つは、修正条件/決定カバレッジ(MC/DC)基準である。
モデルベーステストにおいて,MC/DCテストデータの自動生成を効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2024-01-07T12:31:36Z) - f-FERM: A Scalable Framework for Robust Fair Empirical Risk Minimization [9.591164070876689]
本稿では、f-divergence measures(f-FERM)に基づく公正な経験的リスクに対する統一的な最適化フレームワークを提案する。
さらに,f-FERMによるほぼ全てのバッチサイズに対するフェアネス・精度トレードオフの優位性を実証した。
我々の拡張は、不確実集合として$L_p$ノルムの下で f-FERM の目的を分布的に頑健に最適化する手法に基づいている。
論文 参考訳（メタデータ） (2023-12-06T03:14:16Z) - DRAUC: An Instance-wise Distributionally Robust AUC Optimization
Framework [133.26230331320963]
ROC曲線のエリア(AUC)は、長い尾の分類のシナリオにおいて広く用いられている指標である。
本研究では,分散ロバストAUC(DRAUC)のインスタンスワイドサロゲート損失を提案し,その上に最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-11-06T12:15:57Z) - Towards Calibrated Robust Fine-Tuning of Vision-Language Models [97.19901765814431]
本研究は、視覚言語モデルにおいて、OOD精度と信頼性校正の両方を同時に改善する頑健な微調整法を提案する。
OOD分類とOOD校正誤差は2つのIDデータからなる共有上限を持つことを示す。
この知見に基づいて,最小の特異値を持つ制約付きマルチモーダルコントラスト損失を用いて微調整を行う新しいフレームワークを設計する。
論文 参考訳（メタデータ） (2023-11-03T05:41:25Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - Calibrated ensembles can mitigate accuracy tradeoffs under distribution
shift [108.30303219703845]
ID校正アンサンブルは,IDとOODの精度で,先行技術(自己学習に基づく)より優れていた。
我々は,この手法をスタイリングされた環境で解析し,IDとOODの両方をうまく処理するためのアンサンブルの2つの重要な条件を同定する。
論文 参考訳（メタデータ） (2022-07-18T23:14:44Z) - LRA: an accelerated rough set framework based on local redundancy of
attribute for feature selection [81.19294803707648]
ラフセットアルゴリズムを高速化するLRAフレームワークを提案する。
このフレームワークは、ほとんど全ての粗いセットメソッドに適用できる汎用的なフレームワークである。
論文 参考訳（メタデータ） (2020-10-31T08:50:28Z)
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。