論文の概要: Using Fourier Analysis and Mutant Clustering to Accelerate DNN Mutation Testing
- arxiv url: http://arxiv.org/abs/2510.02718v1
- Date: Fri, 03 Oct 2025 04:36:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.265335
- Title: Using Fourier Analysis and Mutant Clustering to Accelerate DNN Mutation Testing
- Title（参考訳）: フーリエ解析とミュータントクラスタリングによるDNN変異テストの高速化
- Authors: Ali Ghanbari, Sasan Tavakkol,
- Abstract要約: ディープニューラルネットワーク(DNN)突然変異解析は、テストセットの妥当性を評価するための有望なアプローチである。
本稿では,Fourier 解析を用いた変異検査を高速化する手法として DM# を提案する。
本研究は, DM#の突然変異試験における効果を平均28.38%, 平均で0.72%の誤り率で評価した。
- 参考スコア（独自算出の注目度）: 0.9617606953987995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural network (DNN) mutation analysis is a promising approach to evaluating test set adequacy. Due to the large number of generated mutants that must be tested on large datasets, mutation analysis is costly. In this paper, we present a technique, named DM#, for accelerating DNN mutation testing using Fourier analysis. The key insight is that DNN outputs are real-valued functions suitable for Fourier analysis that can be leveraged to quantify mutant behavior using only a few data points. DM# uses the quantified mutant behavior to cluster the mutants so that the ones with similar behavior fall into the same group. A representative from each group is then selected for testing, and the result of the test, e.g., whether the mutant is killed or survived, is reused for all other mutants represented by the selected mutant, obviating the need for testing other mutants. 14 DNN models of sizes ranging from thousands to millions of parameters, trained on different datasets, are used to evaluate DM# and compare it to several baseline techniques. Our results provide empirical evidence on the effectiveness of DM# in accelerating mutation testing by 28.38%, on average, at the average cost of only 0.72% error in mutation score. Moreover, on average, DM# incurs 11.78, 15.16, and 114.36 times less mutation score error compared to random mutant selection, boundary sample selection, and random sample selection techniques, respectively, while generally offering comparable speed-up.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)突然変異解析は、テストセットの妥当性を評価するための有望なアプローチである。
大規模なデータセットでテストする必要がある多くの生成された突然変異体のため、突然変異解析はコストがかかる。
本稿では,Fourier 解析を用いた DNN 変異検査の高速化手法である DM# を提案する。
鍵となる洞察は、DNN出力はフーリエ解析に適した実数値関数であり、わずかなデータポイントだけで変異の振る舞いを定量化するために利用することができるということである。
DM#は、量子化されたミュータント動作を使用してミュータントをクラスタリングし、同様の振る舞いを持つミュータントを同じグループに分割する。
その後、各グループの代表者が試験のために選択され、その変異体が殺されたか生き残ったかに関わらず、テストの結果、例えば、選択された変異体によって代表される他のすべての変異体に対して再利用され、他の変異体をテストする必要がなくなる。
異なるデータセットでトレーニングされた数千から数百万のパラメータの14のDNNモデルを使用して、DM#を評価し、それをいくつかのベースラインテクニックと比較する。
本研究は, DM#の突然変異試験における効果を平均28.38%, 平均で0.72%の誤り率で評価した。
さらに、DM#は平均11.78、15.16、および114.36の突然変異スコア誤差をランダム変異選択、境界サンプル選択、ランダムサンプル選択技術と比較すると、それぞれ114.36倍減少させる。
関連論文リスト
- Latent Space Class Dispersion: Effective Test Data Quality Assessment for DNNs [45.129846925131055]
Latent Space Class Dispersion (LSCD)は、ディープニューラルネットワーク(DNN)のテストデータセットの品質を定量化する新しいメトリクスである。
実験により,LSCDは画像分類タスクに関連する3つの一般的なベンチマークの試験データセットの欠陥を明らかにし,定量化することを示した。
論文 参考訳（メタデータ） (2025-03-24T15:45:50Z) - On Accelerating Deep Neural Network Mutation Analysis by Neuron and Mutant Clustering [1.7188280334580197]
ディープニューラルネットワーク(DNN)の突然変異解析は、テストデータ品質とモデルロバスト性を効果的に評価するための有望な方法である。
本稿では, 突然変異解析を高速化する手法とツールであるDEEPMAACCについて述べる。
以上の結果から, 突然変異試験速度と突然変異点誤差との間にはトレードオフがあることが示唆された。
論文 参考訳（メタデータ） (2025-01-22T02:48:07Z) - METFORD -- Mutation tEsTing Framework fOR anDroid [0.0]
この研究は、Androidの突然変異検査コストの削減に寄与することを目的としている。
突然変異テスト演算子を変異スキーマに従って実装する。
追加の突然変異演算子はJavaScriptで実装でき、フレームワークに簡単に統合できる。
論文 参考訳（メタデータ） (2025-01-06T09:36:57Z) - Latent Mutants: A large-scale study on the Interplay between mutation testing and software evolution [2.1984302611206537]
我々は、潜伏変異体と呼ばれる変異体の特徴、すなわち、1つのバージョンで生き、後のリビジョンで殺される変異体について研究する。
13のオープンソースプロジェクト上でPitestによって生成された131,308のミュータントについて検討した。
論文 参考訳（メタデータ） (2025-01-03T15:44:38Z) - 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) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Debiased Graph Neural Networks with Agnostic Label Selection Bias [59.61301255860836]
既存のグラフニューラルネットワーク(GNN)のほとんどは、データの選択バイアスを考慮せずに提案されている。
本稿では,デコリレーションレギュレータを区別した新しいデバイアスドグラフニューラルネットワーク(DGNN)を提案する。
DGNNは既存のGNNを強化するフレキシブルなフレームワークである。
論文 参考訳（メタデータ） (2022-01-19T16:50:29Z) - Fast Batch Nuclear-norm Maximization and Minimization for Robust Domain
Adaptation [154.2195491708548]
ランダムに選択されたデータバッチの分類出力行列の構造について検討し,予測可能性と多様性について検討した。
本稿では,目標出力行列上で核ノルムを行い,目標予測能力を向上するBatch Nuclear-norm Maximization and Minimizationを提案する。
実験により,本手法は3つの典型的なドメイン適応シナリオにおいて適応精度とロバスト性を高めることができることが示された。
論文 参考訳（メタデータ） (2021-07-13T15:08:32Z)
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。