論文の概要: Constrained Co-evolutionary Metamorphic Differential Testing for Autonomous Systems with an Interpretability Approach

• arxiv url: http://arxiv.org/abs/2509.16478v1
• Date: Sat, 20 Sep 2025 00:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 15:17:10.150912
• Title: Constrained Co-evolutionary Metamorphic Differential Testing for Autonomous Systems with an Interpretability Approach
• Title（参考訳）: 解釈可能性アプローチによる自律システムのための制約付き共進化的変成微分テスト
• Authors: Hossein Yousefizadeh, Shenghui Gu, Lionel C. Briand, Ali Nasr,
• Abstract要約: CoCoMagicは、メタモルフィックテスト、差分テスト、高度な検索ベースのテクニックを組み合わせた、新しいテストケース生成手法である。 ベースライン探索法よりも顕著な改善が見られ, 最大287%の高重度行動差が確認された。 CoCoMagicは、バージョン間で進化する自律システムの差分テストにおいて、効率的で効果的で解釈可能な方法を提供する。
• 参考スコア（独自算出の注目度）: 4.965735630892516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous systems, such as autonomous driving systems, evolve rapidly through frequent updates, risking unintended behavioral degradations. Effective system-level testing is challenging due to the vast scenario space, the absence of reliable test oracles, and the need for practically applicable and interpretable test cases. We present CoCoMagic, a novel automated test case generation method that combines metamorphic testing, differential testing, and advanced search-based techniques to identify behavioral divergences between versions of autonomous systems. CoCoMagic formulates test generation as a constrained cooperative co-evolutionary search, evolving both source scenarios and metamorphic perturbations to maximize differences in violations of predefined metamorphic relations across versions. Constraints and population initialization strategies guide the search toward realistic, relevant scenarios. An integrated interpretability approach aids in diagnosing the root causes of divergences. We evaluate CoCoMagic on an end-to-end ADS, InterFuser, within the Carla virtual simulator. Results show significant improvements over baseline search methods, identifying up to 287\% more distinct high-severity behavioral differences while maintaining scenario realism. The interpretability approach provides actionable insights for developers, supporting targeted debugging and safety assessment. CoCoMagic offers an efficient, effective, and interpretable way for the differential testing of evolving autonomous systems across versions.
• Abstract（参考訳）: 自律運転システムのような自律システムは、頻繁な更新を通じて急速に進化し、意図しない行動劣化のリスクを負う。 システムレベルの効果的なテストは、膨大なシナリオスペース、信頼性のあるテストオーラクルの欠如、実用的で解釈可能なテストケースの必要性のため、難しい。 本稿では, メタモルフィックテスト, 差分テスト, 高度な検索ベース技術を組み合わせた新しい自動テストケース生成手法であるCoCoMagicについて述べる。 CoCoMagicは、テスト生成を制約付き協調進化探索として定式化し、ソースシナリオとメタモルフィック摂動の両方を進化させ、バージョン間で定義されたメタモルフィック関係の違反を最大化する。 制約と人口の初期化戦略は、現実的で関連するシナリオへの探索を導く。 統合的解釈可能性アプローチは、発散の根本原因の診断に役立つ。 我々はCoCoMagicをCarla仮想シミュレータ内でエンド・ツー・エンドのADSであるInterFuser上で評価する。 その結果, シナリオリアリズムを維持しつつ, 287 %以上の高重度行動差を同定し, ベースライン探索法よりも顕著な改善が見られた。 解釈可能性のアプローチは、開発者に対して実用的な洞察を提供し、ターゲットとするデバッグと安全性評価をサポートする。 CoCoMagicは、バージョン間で進化する自律システムの差分テストにおいて、効率的で効果的で解釈可能な方法を提供する。

関連論文リスト

• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Using Cooperative Co-evolutionary Search to Generate Metamorphic Test Cases for Autonomous Driving Systems [7.519606883700972]
  本稿では,自律運転システム(ADS)のシステムレベルの安全性評価を進めることを目的とした,新しい自動テストフレームワークCoCoMEGAを紹介する。 CoCoMEGAは、望ましくないシステム動作を示すテストシナリオの識別を強調し、最終的には、メタモルフィックリレーショナル(MR)によって取得される安全違反につながる可能性がある。 将来の研究の方向性には、さらなるシミュレーションプラットフォームへのアプローチの拡張、他の複雑なシステムに適用すること、サロゲートモデリングのようなテスト効率をさらに改善するための方法を模索することが含まれる。
  論文  参考訳（メタデータ） (2024-12-05T03:17:31Z)
• Unsupervised Model Diagnosis [49.36194740479798]
  本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。 提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
  論文  参考訳（メタデータ） (2024-10-08T17:59:03Z)
• Testing for Fault Diversity in Reinforcement Learning [13.133263651395865]
  ポリシテストは可能な限り多くの障害(例えば、同様の自動車事故を引き起こすインプット)を見つけるのではなく、モデルで可能な限り情報的かつ多様な障害を明らかにすることを目的としている、と私たちは主張する。 QDの最適化は概念的には単純であり、一般的に適用可能であるが、決定モデルにおいてより多様な欠点を効果的に発見できることが示される。
  論文  参考訳（メタデータ） (2024-03-22T09:46:30Z)
• Discovering Decision Manifolds to Assure Trusted Autonomous Systems [0.0]
  本稿では,システムが提示できる正誤応答の範囲を最適化した探索手法を提案する。 この多様体は、従来のテストやモンテカルロシミュレーションよりもシステムの信頼性をより詳細に理解する。 この概念実証では,本手法を自動運転車のループ内ソフトウェア評価に適用する。
  論文  参考訳（メタデータ） (2024-02-12T16:55:58Z)
• Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
  人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
  論文  参考訳（メタデータ） (2023-06-18T09:54:33Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。