論文の概要: HyperNet-Adaptation for Diffusion-Based Test Case Generation

• arxiv url: http://arxiv.org/abs/2601.15041v1
• Date: Wed, 21 Jan 2026 14:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.400902
• Title: HyperNet-Adaptation for Diffusion-Based Test Case Generation
• Title（参考訳）: 拡散型テストケース生成のためのハイパーネット適応
• Authors: Oliver Weißl, Vincenzo Riccio, Severin Kacianka, Andrea Stocco,
• Abstract要約: 拡散に基づく生成を直接かつ効率的に制御できる生成試験法HyNeAを提案する。 このアプローチにより、探索に基づく手法よりも計算コストが大幅に低い現実的な障害ケースをターゲットとして生成することができる。
• 参考スコア（独自算出の注目度）: 2.0430493421725076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing deployment of deep learning systems requires systematic evaluation of their reliability in real-world scenarios. Traditional gradient-based adversarial attacks introduce small perturbations that rarely correspond to realistic failures and mainly assess robustness rather than functional behavior. Generative test generation methods offer an alternative but are often limited to simple datasets or constrained input domains. Although diffusion models enable high-fidelity image synthesis, their computational cost and limited controllability restrict their applicability to large-scale testing. We present HyNeA, a generative testing method that enables direct and efficient control over diffusion-based generation. HyNeA provides dataset-free controllability through hypernetworks, allowing targeted manipulation of the generative process without relying on architecture-specific conditioning mechanisms or dataset-driven adaptations such as fine-tuning. HyNeA employs a distinct training strategy that supports instance-level tuning to identify failure-inducing test cases without requiring datasets that explicitly contain examples of similar failures. This approach enables the targeted generation of realistic failure cases at substantially lower computational cost than search-based methods. Experimental results show that HyNeA improves controllability and test diversity compared to existing generative test generators and generalizes to domains where failure-labeled training data is unavailable.
• Abstract（参考訳）: ディープラーニングシステムのデプロイの増加には、現実のシナリオにおける信頼性の体系的な評価が必要である。 従来の勾配に基づく逆行攻撃は、現実的な失敗にはほとんど対応しない小さな摂動をもたらし、主に機能的行動よりもロバスト性を評価する。 生成テスト生成方法は代替手段を提供するが、単純なデータセットや制約された入力ドメインに限られることが多い。 拡散モデルは高忠実度画像合成を可能にするが、その計算コストと制限された制御性は大規模テストに適用性を制限する。 拡散に基づく生成を直接かつ効率的に制御できる生成試験法HyNeAを提案する。 HyNeAはハイパーネットワークを通じてデータセットフリーな制御機能を提供し、アーキテクチャ固有の条件付け機構や微調整などのデータセット駆動適応に頼ることなく、生成プロセスのターゲット操作を可能にする。 HyNeAでは、類似した障害の例を明示的に含むデータセットを必要とせずに、インスタンスレベルのチューニングによる障害誘発テストケースの特定をサポートする、独自のトレーニング戦略を採用している。 このアプローチにより、探索に基づく手法よりも計算コストが大幅に低い現実的な障害ケースをターゲットとして生成することができる。 実験の結果,HyNeAは既存の生成テストジェネレータと比較して制御性やテストの多様性を改善し,故障ラベル付きトレーニングデータが利用できない領域に一般化することがわかった。

関連論文リスト

• Score-based Generative Modeling for Conditional Independence Testing [35.0533359302886]
  本稿では,精度の高いタイプIエラー制御と強力なテスト能力を実現するための,スコアベース生成モデルによる新しいCIテスト手法を提案する。 スコアベース生成モデルによりモデル化された条件分布の誤差境界を理論的に確立し,CIテストの有効性を検証した。
  論文  参考訳（メタデータ） (2025-05-29T10:10:46Z)
• Can We Validate Counterfactual Estimations in the Presence of General Network Interference? [13.49152464081862]
  我々は、因果推論における推定と検証の両方に機械学習ツールを使うことを容易にするフレームワークを導入する。 新しい分布保存ネットワークブートストラップは、単一実験のデータから統計的に有意なサブポピュレーションを生成する。 ファクトファクトのクロスバリデーション手順は、モデル検証の原則を因果的設定のユニークな制約に適応させる。
  論文  参考訳（メタデータ） (2025-02-03T06:51:04Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Machine Learning Testing in an ADAS Case Study Using Simulation-Integrated Bio-Inspired Search-Based Testing [7.5828169434922]
  Deeperは、ディープニューラルネットワークベースの車線保持システムをテストするための障害検出テストシナリオを生成する。 新たに提案されたバージョンでは、新しいバイオインスパイアされた検索アルゴリズム、遺伝的アルゴリズム(GA)、$(mu+lambda)$および$(mu,lambda)$進化戦略(ES)、およびParticle Swarm Optimization(PSO)を利用する。 評価の結果,Deeperで新たに提案したテストジェネレータは,以前のバージョンよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-22T20:27:40Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。