論文の概要: SHIFT: Sigmoid-Based Heuristic Invertible Fitness-Landscape Transformation for Accelerating SBST

• arxiv url: http://arxiv.org/abs/2604.09171v1
• Date: Fri, 10 Apr 2026 09:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.814555
• Title: SHIFT: Sigmoid-Based Heuristic Invertible Fitness-Landscape Transformation for Accelerating SBST
• Title（参考訳）: ShiFT:SBST加速のためのシグモイドによる非可逆性適合性-ランドスケープ変換
• Authors: Jeongjin Han, Seunghoon Sim, Jian Lee, Seongyoon Park,
• Abstract要約: ShiFT (Sigmoid-based Heuristic Invertible Fitness-Landscape Transformation for Accelerating SBST) は、局所的な景観を圧縮し、グローバルな意味論を変えることなく停滞する地域からの脱出を容易にする手法である。 複雑なテスト環境において,シグモイド圧縮はより信頼性の高いカバレッジ発見を実現するための軽量かつ効果的な機構であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Search-Based Software Testing (SBST) automates test input generation but is frequently hindered by challenging fitness landscapes characterized by numerous deceptive local optima that impede search progress, as well as extended plateaus where informative fitness signals are scarce. To address this bottleneck, we propose SHIFT (Sigmoid-Based Heuristic Invertible Fitness-Landscape Transformation for Accelerating SBST), a method designed to compress local landscapes and facilitate escape from stagnant regions without altering global semantics. By systematically contracting dense regions where search points cluster, the approach preserves mapping invertibility while enabling optimization algorithms to traverse more effectively toward global coverage with the same step size. When evaluated against established baselines, including pure hill climbing and genetic algorithms, under a normalized experimental protocol, the proposed technique yields consistent improvements in convergence speed and search efficiency. These results demonstrate that sigmoid compression constitutes a lightweight yet effective mechanism for achieving more reliable coverage discovery in complex testing environments.
• Abstract（参考訳）: 検索ベースソフトウェアテスティング(SBST)は、テスト入力生成を自動化するが、探索の進行を妨げている多くの誤認的局所最適化と、情報的適合信号が不足している拡張プラトーを特徴とする、困難なフィットネスランドスケープによってしばしば妨げられる。 このボトルネックに対処するために、局所的な景観を圧縮し、グローバルな意味論を変えることなく停滞地域からの脱出を容易にする方法であるShiFT(Sigmoid-based Heuristic Invertible Fitness-Landscape Transformation for Accelerating SBST)を提案する。 探索ポイントをクラスタ化する高密度領域を体系的に収縮させることで、最適化アルゴリズムを同じステップサイズでグローバルカバレッジへ効果的に移動させながら、マッピングの可逆性を保ちながら、マッピングの可逆性を保ちます。 純ヒルクライミングや遺伝的アルゴリズムなどの確立された基準線に対して、正規化実験プロトコルの下で評価すると、提案手法は収束速度と探索効率を一貫した改善をもたらす。 これらの結果から,シグモイド圧縮は複雑なテスト環境において,より信頼性の高いカバレッジ発見を実現するための軽量かつ効果的な機構であることが示された。

関連論文リスト

• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• Event-based Visual Deformation Measurement [76.25283405575108]
  視覚的変形測定は、カメラ観測から表面の動きを追跡することによって、高密度な変形場を復元することを目的としている。 従来の画像ベースの手法は、対応検索空間を制限するため、最小限のフレーム間動作に依存している。 本研究では,時間的に密集した動きキューやフレームのイベントを利用して,空間的に密集した正確な推定を行うイベントフレーム融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T01:04:48Z)
• Renormalization Group Guided Tensor Network Structure Search [58.0378300612202]
  ネットワーク構造探索(TN-SS)は、高次元データ表現における効率的なテンソル分解のための最適なネットワークトポロジとランクロバスト性を自動的に発見することを目的としている。 RGTN(Renormalization Group Guided Network Search)は、TN-SSを変換する物理に着想を得たフレームワークである。
  論文  参考訳（メタデータ） (2025-12-31T06:31:43Z)
• Efficient Global-Local Fusion Sampling for Physics-Informed Neural Networks [5.257115841810259]
  両手法の強みを組み合わせたグローバルローカル核融合(GLF)サンプリング戦略を提案する。 ガウス雑音を残差に対して逆スケールしたトレーニングポイントを摂動することで、新しいコロケーションポイントを生成する。 さらに計算オーバーヘッドを低減するために,大域的残差分布を近似するために,軽量線形サロゲートを導入する。
  論文  参考訳（メタデータ） (2025-10-28T03:10:54Z)
• Efficient Test-time Adaptive Object Detection via Sensitivity-Guided Pruning [73.40364018029673]
  連続的なテスト時間適応オブジェクト検出(CTTA-OD)は、源となる事前訓練された検出器を常に変化する環境にオンライン適応させることを目的としている。 私たちのモチベーションは、学習したすべての特徴が有益であるとは限らないという観察に起因しています。 FLOPの計算オーバヘッドを12%削減し,優れた適応性を実現する。
  論文  参考訳（メタデータ） (2025-06-03T05:27:56Z)
• Fully Spiking Neural Networks for Unified Frame-Event Object Tracking [17.626181371045575]
  我々は、SpikeFETと呼ばれる、最初の完全なSpyking Frame-Event Trackingフレームワークを提案する。 このネットワークは、進化的局所特徴抽出とトランスフォーマーに基づくグローバルモデリングをスパイキングパラダイム内で相乗的に統合する。 提案手法は既存の手法よりも優れたトラッキング精度を実現し,消費電力を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2025-05-27T07:53:50Z)
• Improved Bag-of-Words Image Retrieval with Geometric Constraints for Ground Texture Localization [1.2430809884830318]
  下向きカメラを用いた地中テクスチャのローカライゼーションは、低コストで高精度なローカライゼーションソリューションを提供する。 地盤テクスチャローカライゼーションのためのBad-of-words (BoW)画像検索システムを改良した。
  論文  参考訳（メタデータ） (2025-05-16T18:37:18Z)
• ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
  ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。 HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。 計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
  論文  参考訳（メタデータ） (2025-04-16T05:33:42Z)
• Locally Adaptive One-Class Classifier Fusion with Dynamic $\ell$p-Norm Constraints for Robust Anomaly Detection [17.93058599783703]
  局所的なデータ特性に基づいて,融合重みを動的に調整するフレームワークを提案する。 本手法は,計算効率を大幅に向上させる内部点最適化手法を取り入れたものである。 計算効率を維持しながらローカルなデータパターンに適応できるフレームワークの能力は、リアルタイムアプリケーションに特に有用である。
  論文  参考訳（メタデータ） (2024-11-10T09:57:13Z)
• Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
  Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。 現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。 疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T12:59:55Z)

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。