論文の概要: WITNESS: A lightweight and practical approach to fine-grained predictive mutation testing

• arxiv url: http://arxiv.org/abs/2511.11999v1
• Date: Sat, 15 Nov 2025 02:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.49262
• Title: WITNESS: A lightweight and practical approach to fine-grained predictive mutation testing
• Title（参考訳）: WITNESS: 微粒化予測突然変異検査のための軽量かつ実用的なアプローチ
• Authors: Zeyu Lu, Peng Zhang, Chun Yong Chong, Shan Gao, Yibiao Yang, Yanhui Li, Lin Chen, Yuming Zhou,
• Abstract要約: WITNESSは、新しい微細な予測突然変異試験手法である。 トレーニングと予測には軽量な古典的機械学習モデルを使用する。 さまざまなシナリオにわたる最先端の予測パフォーマンスを一貫して達成します。
• 参考スコア（独自算出の注目度）: 22.980743296712856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing fine-grained predictive mutation testing studies predominantly rely on deep learning, which faces two critical limitations in practice: (1) Exorbitant computational costs. The deep learning models adopted in these studies demand significant computational resources for training and inference acceleration. This introduces high costs and undermines the cost-reduction goal of predictive mutation testing. (2) Constrained applicability. Although modern mutation testing tools generate mutants both inside and outside methods, current fine-grained predictive mutation testing approaches handle only inside-method mutants. As a result, they cannot predict outside-method mutants, limiting their applicability in real-world scenarios. We propose WITNESS, a new fine-grained predictive mutation testing approach. WITNESS adopts a twofold design: (1) With collected features from both inside-method and outside-method mutants, WITNESS is suitable for all generated mutants. (2) Instead of using computationally expensive deep learning, WITNESS employs lightweight classical machine learning models for training and prediction. This makes it more cost-effective and enabling straightforward explanations of the decision-making processes behind the adopted models. Evaluations on Defects4J projects show that WITNESS consistently achieves state-of-the-art predictive performance across different scenarios. Additionally, WITNESS significantly enhances the efficiency of kill matrix prediction. Post-hoc analysis reveals that features incorporating information from before and after the mutation are the most important among those used in WITNESS. Test case prioritization based on the predicted kill matrix shows that WITNESS delivers results much closer to those obtained by using the actual kill matrix, outperforming baseline approaches.
• Abstract（参考訳）: 既存の微粒な予測突然変異試験研究は、主にディープラーニングに依存しており、これは実際には2つの重要な制限に直面している。 これらの研究で採用されたディープラーニングモデルは、トレーニングと推論の加速のために重要な計算資源を必要とする。 これは高いコストを導入し、予測突然変異テストのコスト削減の目標を損なう。 2)適用性の制限。 現代の突然変異検査ツールは、内部と外部の両方で変異体を生成するが、現在の微粒な予測突然変異試験アプローチは、内部の変異体のみを扱う。 その結果、実際のシナリオで適用性を制限するために、外部メソッドのミュータントを予測できない。 我々は,新たな微粒化予測突然変異試験手法であるWITNESSを提案する。 WITNESSは2つの設計を採用する: 1) 内部メソッドと外部メソッドの両方から収集された特徴により、WITNESSは生成された全てのミュータントに適している。 2)計算コストのかかるディープラーニングの代わりに,WITNESSでは,トレーニングや予測に軽量な古典的機械学習モデルを採用している。 これにより、コスト効率が向上し、採用モデルの背後にある意思決定プロセスを簡単に説明できるようになります。 Defects4Jプロジェクトの評価によると、WITNESSはさまざまなシナリオにわたる最先端の予測パフォーマンスを一貫して達成している。 さらに、WITNESSはキル行列予測の効率を大幅に向上させる。 ポストホック分析により、変異の前と後の情報を含む特徴が、WITNESSで使用されるものの中で最も重要であることが明らかになった。 予測されたキルマトリクスに基づくテストケース優先順位付けは、WITNESSが実際のキルマトリクスを用いて得られた結果よりもはるかに近い結果をもたらし、ベースラインアプローチより優れていることを示している。

関連論文リスト

• PRIMG : Efficient LLM-driven Test Generation Using Mutant Prioritization [0.0]
  PRIMG(Prioritization and Refinement Integrated Mutation-driven Generation)は、Solidityスマートコントラクトのためのインクリメンタルで適応的なテストケース生成のための新しいフレームワークである。 PRIMGは突然変異優先順位付けモジュールを統合し、ミュータント置換グラフに基づいてトレーニングされた機械学習モデルを用いて、生き残ったミュータントの有用性を予測する。 優先順位付けモジュールはランダムなミュータント選択を一貫して上回り、計算労力を削減したハイインパクトテストの生成を可能にした。
  論文  参考訳（メタデータ） (2025-05-08T18:30:22Z)
• Quantifying the Prediction Uncertainty of Machine Learning Models for Individual Data [2.1248439796866228]
  本研究では,線形回帰とニューラルネットワークに対するpNMLの学習可能性について検討する。 pNMLは様々なタスクにおけるこれらのモデルの性能と堅牢性を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-12-10T13:58:19Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Purify Unlearnable Examples via Rate-Constrained Variational Autoencoders [101.42201747763178]
  未学習例(UE)は、正しくラベル付けされたトレーニング例に微妙な修正を加えることで、テストエラーの最大化を目指している。 我々の研究は、効率的な事前学習浄化法を構築するための、新しいゆがみ機構を提供する。
  論文  参考訳（メタデータ） (2024-05-02T16:49:25Z)
• MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection [54.545054873239295]
  ディープフェイクは、最近、国民の間で重大な信頼問題とセキュリティ上の懸念を提起した。 ViT法はトランスの表現性を生かし,優れた検出性能を実現する。 この研究は、汎用的でパラメータ効率のよいViTベースのアプローチであるFace Forgery Detection (MoE-FFD)のためのMixture-of-Expertsモジュールを導入する。
  論文  参考訳（メタデータ） (2024-04-12T13:02:08Z)
• Contextual Predictive Mutation Testing [17.832774161583036]
  MutationBERTは、ソースメソッドの突然変異とテストメソッドを同時にエンコードする予測突然変異テストのアプローチである。 精度が高いため、MutationBERTは、ライブミュータントをチェック・検証する以前のアプローチで費やされた時間の33%を節約する。 我々は、入力表現と、テストマトリックスレベルからテストスイートレベルまで予測を引き上げるためのアグリゲーションアプローチを検証し、同様の性能改善を見出した。
  論文  参考訳（メタデータ） (2023-09-05T17:00:15Z)
• Accurate and Definite Mutational Effect Prediction with Lightweight Equivariant Graph Neural Networks [2.381587712372268]
  本研究では,野生型タンパク質の微小環境を効率的に解析する軽量なグラフ表現学習手法を提案する。 私たちのソリューションは、コミュニティにとって理想的な選択肢となる、幅広いメリットを提供します。
  論文  参考訳（メタデータ） (2023-04-13T09:51:49Z)
• A Probabilistic Framework for Mutation Testing in Deep Neural Networks [12.033944769247958]
  不整合を緩和する確率変異テスト(PMT)手法を提案する。 PMTは、評価を通じてより一貫性のある、より情報のある突然変異の決定を可能にする。
  論文  参考訳（メタデータ） (2022-08-11T19:45:14Z)
• MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
  テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。 最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。 モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T17:55:11Z)

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。