論文の概要: APEX: Automatic Event Sequence Generation for Android Applications

• arxiv url: http://arxiv.org/abs/2509.02412v1
• Date: Tue, 02 Sep 2025 15:20:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.079271
• Title: APEX: Automatic Event Sequence Generation for Android Applications
• Title（参考訳）: APEX: Androidアプリケーションのイベントシーケンス自動生成
• Authors: Wenhao Chen, Morris Chang, Witawas Srisa-an, Yong Guan,
• Abstract要約: コンコリック実行を用いたシステム入力生成フレームワークであるAndroid Path Explorer (APEX)を紹介した。 APEXは、GUI状態遷移のデータ依存関係を発見するために、コンコリック実行を使用することで、モデルベースのシーケンス生成の制限に対処する。 我々は、APEXを使用して、高いコードカバレッジを実現する一連のイベントシーケンスと、特定の目標に達するイベントシーケンスを生成することができることを示す。
• 参考スコア（独自算出の注目度）: 6.574612008032765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the event driven nature and the versatility of GUI designs in Android programs, it is challenging to generate event sequences with adequate code coverage within a reasonable time. A common approach to handle this issue is to rely on GUI models to generate event sequences. These sequences can be effective in covering GUI states, but inconsistent in exposing program behaviors that require specific inputs. A major obstacle to generate such specific inputs is the lack of a systematic GUI exploration process to accommodate the analysis requirements. In this paper, we introduce Android Path Explorer (APEX), a systematic input generation framework using concolic execution. APEX addresses the limitations of model-based sequence generation by using concolic execution to discover the data dependencies of GUI state transitions. Moreover, concolic execution is also used to prioritize events during the exploration of GUI, which leads to a more robust model and accurate input generation. The key novelty of APEX is that concolic execution is not only used to construct event sequences, but also used to traverse the GUI more systematically. As such, our experimental results show that APEX can be used to generate a set of event sequences that achieve high code coverage, as well as event sequences that reach specific targets.
• Abstract（参考訳）: イベント駆動型の性質とAndroidプログラムにおけるGUI設計の汎用性のため、適切なコードカバレッジでイベントシーケンスを生成することは困難である。 この問題に対処する一般的なアプローチは、イベントシーケンスを生成するためにGUIモデルに依存することである。 これらのシーケンスはGUIの状態をカバーするのに有効であるが、特定の入力を必要とするプログラムの振る舞いを公開するには矛盾する。 このような特定の入力を生成するための大きな障害は、解析要求を満たすための系統的なGUI探索プロセスがないことである。 本稿では,コンコリック実行を用いたシステム入力生成フレームワークであるAndroid Path Explorer (APEX)を紹介する。 APEXは、GUI状態遷移のデータ依存関係を発見するために、コンコリック実行を使用することで、モデルベースのシーケンス生成の制限に対処する。 さらに、より堅牢なモデルと正確な入力生成につながるGUI探索時のイベントの優先順位付けにも、コンコリック実行が使用される。 APEXの重要な特徴は、コンコリック実行がイベントシーケンスを構築するために使われるだけでなく、GUIをより体系的に横断するためにも使われることである。 実験の結果,APEXは高いコードカバレッジを実現する一連のイベントシーケンスと,特定のターゲットに到達したイベントシーケンスを生成することができることがわかった。

関連論文リスト

• MobileGUI-RL: Advancing Mobile GUI Agent through Reinforcement Learning in Online Environment [63.62778707277929]
  MobileGUI-RLは、オンライン環境でGUIエージェントをトレーニングするスケーラブルなフレームワークである。 自己探索とフィルタリングを通じて学習可能なタスクのカリキュラムを合成する。 GRPOをGUIナビゲーションに適応させ、軌道認識の利点と複合報酬を付与する。
  論文  参考訳（メタデータ） (2025-07-08T07:07:53Z)
• LLM-Guided Scenario-based GUI Testing [25.180945629233786]
  ScenGenは、新しいLLM誘導シナリオベースのGUIテストアプローチで、5つのエージェントを含んでいる。 Observerは、GUIウィジェットを抽出し、GUIレイアウトを形成することで、アプリのGUI状態を認識する。 次に、Executorはアプリの要求された操作を実行する。
  論文  参考訳（メタデータ） (2025-06-05T14:27:40Z)
• Look Before You Leap: A GUI-Critic-R1 Model for Pre-Operative Error Diagnosis in GUI Automation [83.92224427735859]
  実際の実行に先立って効果的なフィードバックを提供する事前の批判機構を導入する。 そこで我々は,GUI-Critic-TrainとGUI-Critic-Testを作成するために,推論ブートストラップに基づくデータ収集パイプラインを開発した。 我々のモデルは、現在のMLLMと比較して、批評家の精度に大きな利点をもたらす。
  論文  参考訳（メタデータ） (2025-06-05T04:12:36Z)
• ScaleTrack: Scaling and back-tracking Automated GUI Agents [11.046190201201348]
  自動GUIエージェントのグラウンドニングとバックトラック計画のスケーリングによるトレーニングフレームワークであるScaleTrackを提案する。 さまざまなソースから異なる合成基準のGUIサンプルを収集し,GUIグラウンドモデルをトレーニングするための同一テンプレートに統一する。 現在のGUIイメージから次のアクションを予測する新しいトレーニング戦略を設計し、GUIイメージに繋がった過去のアクションをバックトラックする。
  論文  参考訳（メタデータ） (2025-05-01T09:27:13Z)
• Distilling Event Sequence Knowledge From Large Language Models [17.105913216452738]
  イベントシーケンスモデルは、イベントの分析と予測に非常に効果的であることが判明した。 我々は大規模言語モデルを用いて、確率的イベントモデル構築に効果的に使用できるイベントシーケンスを生成する。 提案手法は,入力KGの知識ギャップを埋めて,高品質なイベントシーケンスを生成することができることを示す。
  論文  参考訳（メタデータ） (2024-01-14T09:34:42Z)
• GLEN: General-Purpose Event Detection for Thousands of Types [80.99866527772512]
  汎用的なイベント検出データセットGLENを構築し、205Kイベントの参照を3,465種類の異なるタイプでカバーしています。 GLENはオントロジーにおいて、今日の最大のイベントデータセットよりも20倍大きい。 また,GLENの大規模化に特化して設計された多段階イベント検出モデルCEDARを提案する。
  論文  参考訳（メタデータ） (2023-03-16T05:36:38Z)
• Modeling Complex Event Scenarios via Simple Entity-focused Questions [58.16787028844743]
  複雑なシナリオにおけるイベントを参加者に関する質問に対する回答としてモデル化する質問誘導生成フレームワークを提案する。 生成プロセスの任意のステップでは、フレームワークは以前に生成されたイベントをコンテキストとして使用するが、3つの質問の1つに対する回答として次のイベントを生成する。 私たちの経験的評価は、この質問誘導世代が、参加者のより優れたカバレッジ、ドメイン内の多様なイベント、イベントシーケンスのモデリングにおける同等の難易度を提供することを示している。
  論文  参考訳（メタデータ） (2023-02-14T15:48:56Z)
• Avoiding Post-Processing with Event-Based Detection in Biomedical Signals [69.34035527763916]
  学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。 イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-09-22T13:44:13Z)
• Team RUC_AIM3 Technical Report at Activitynet 2020 Task 2: Exploring Sequential Events Detection for Dense Video Captioning [63.91369308085091]
  本稿では、イベントシーケンス生成のための新規でシンプルなモデルを提案し、ビデオ中のイベントシーケンスの時間的関係を探索する。 提案モデルでは,非効率な2段階提案生成を省略し,双方向時間依存性を条件としたイベント境界を直接生成する。 総合システムは、チャレンジテストセットの9.894 METEORスコアで、ビデオタスクにおける密封イベントの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-14T13:21:37Z)

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。