論文の概要: Reverse N-Wise Output-Oriented Testing for AI/ML and Quantum Computing Systems

• arxiv url: http://arxiv.org/abs/2602.14275v1
• Date: Sun, 15 Feb 2026 18:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:49.929664
• Title: Reverse N-Wise Output-Oriented Testing for AI/ML and Quantum Computing Systems
• Title（参考訳）: AI/MLおよび量子コンピューティングシステムのための逆N-Wise出力指向テスト
• Authors: Lamine Rihani,
• Abstract要約: 本稿では,配列をドメイン固有の出力等価クラス上で直接カバーする,数学的に原理化されたパラダイムである逆n-wise出力テストを紹介する。 明示的な顧客中心の予測/測定カバレッジ保証、MLキャリブレーション/バウンダリ障害の障害検出率の大幅な改善、量子エラー症候群などだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Artificial intelligence/machine learning (AI/ML) systems and emerging quantum computing software present unprecedented testing challenges characterized by high-dimensional/continuous input spaces, probabilistic/non-deterministic output distributions, behavioral correctness defined exclusively over observable prediction behaviors and measurement outcomes, and critical quality dimensions, trustworthiness, fairness, calibration, robustness, error syndrome patterns, that manifest through complex multi-way interactions among semantically meaningful output properties rather than deterministic input-output mappings. This paper introduces reverse n-wise output testing, a mathematically principled paradigm inversion that constructs covering arrays directly over domain-specific output equivalence classes, ML confidence calibration buckets, decision boundary regions, fairness partitions, embedding clusters, ranking stability bands, quantum measurement outcome distributions (0-dominant, 1-dominant, superposition collapse), error syndrome patterns (bit-flip, phase-flip, correlated errors), then solves the computationally challenging black-box inverse mapping problem via gradient-free metaheuristic optimization to synthesize input feature configurations or quantum circuit parameters capable of eliciting targeted behavioral signatures from opaque models. The framework delivers synergistic benefits across both domains: explicit customer-centric prediction/measurement coverage guarantees, substantial improvements in fault detection rates for ML calibration/boundary failures and quantum error syndromes, enhanced test suite efficiency, and structured MLOps/quantum validation pipelines with automated partition discovery from uncertainty analysis and coverage drift monitoring.
• Abstract（参考訳）: 人工知能/機械学習(AI/ML)システムと新興量子コンピューティングソフトウェアは、高次元/連続的な入力空間、確率的/非決定論的出力分布、観測可能な予測行動と測定結果にのみ定義された行動正当性、重要な品質次元、信頼性、公平性、校正、堅牢性、エラーシンドロームパターンによって特徴づけられる、決定論的入力出力マッピングよりも、複雑なマルチウェイ相互作用によって現れる、前例のないテスト課題を提示する。 本稿では,領域固有の出力等価クラス,ML信頼度キャリブレーションバケット,決定境界領域,フェアネスパーティション,埋め込みクラスタ,ランキング安定バンド,量子計測結果分布(0-dominant, 1-dominant, superposition collapse),エラーシンドロームパターン(bit-flip, phase-flip, correlation error),および計算的に困難なブラックボックス逆写像問題を,勾配のないメタヒューリスティック最適化により解き,入力特徴構成や不透明モデルから対象の動作シグネチャを抽出可能な量子回路パラメータを合成する。 明示的な顧客中心の予測/測定カバレッジ保証、MLキャリブレーション/バウンダリ障害と量子エラー症候群の障害検出率の大幅な改善、テストスイートの効率の向上、不確実性分析とカバレッジドリフト監視による自動パーティション検出を備えた構造化MLOps/量子検証パイプライン。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Statistical Hypothesis Testing for Auditing Robustness in Language Models [49.1574468325115]
  本稿では,摂動解析を頻繁な仮説テスト問題として再検討するフレームワークである分布に基づく摂動解析を紹介する。 モンテカルロサンプリングを用いて低次元意味的類似性空間内に経験的ヌルおよび代替出力分布を構築する。 反応変化の定量化、正/偽の正率の測定、参照モデルとの整合性の評価について述べる。
  論文  参考訳（メタデータ） (2025-06-09T17:11:07Z)
• Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction [0.0]
  動的しきい値キャリブレーションとクロスモーダル整合性検証を統合したモデル非依存不確実性定量化法を提案する。 このフレームワークは、様々なキャリブレーションとテストの分割比で安定したパフォーマンスを実現し、医療、自律システム、その他の安全に敏感な領域における現実的な展開の堅牢性を強調している。 この研究は、マルチモーダルAIシステムにおける理論的信頼性と実用性の間のギャップを埋め、幻覚検出と不確実性を考慮した意思決定のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-24T15:39:46Z)
• Similarity-Distance-Magnitude Universal Verification [0.0]
  本研究では,不確実性を考慮した検証と解釈可能性を考慮したSDMネットワークを本質的特性として構築する。 これらの結果を実装したオープンソースソフトウェアを提供する。
  論文  参考訳（メタデータ） (2025-02-27T15:05:00Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)

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。