論文の概要: Ising-based Test Optimization and Benchmarking

• arxiv url: http://arxiv.org/abs/2604.10450v1
• Date: Sun, 12 Apr 2026 04:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.022898
• Title: Ising-based Test Optimization and Benchmarking
• Title（参考訳）: Isingベースのテスト最適化とベンチマーク
• Authors: Yige Yang, Man Zhang, Tao Yue,
• Abstract要約: テスト最適化問題を解決するためのコマンドラインツールであるIsingTesterを紹介します。 テスト選択と最小化をIsingのスピン構成として再構成し、Ising Hamiltonianに複数の最適化戦略をエンコードし、CIMシミュレーションやブルートフォースサーチなどの解法を実装した。
• 参考スコア（独自算出の注目度）: 4.85142635110053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test optimization contains test case selection and minimization, which is an important challenge in software testing and has been addressed with search-based approaches intensively in the past. Inspired by the recent advancement of using quantum optimization solutions for addressing test optimization problems, we looked into Coherent Ising Machines (CIM), which offer potential for solving combinatorial optimization problems, but have not yet been exploited in test optimization. Hence, in this paper, we present IsingTester, an open-source, Python-based command-line tool that provides an end-to-end pipeline for solving test optimization problems that are formulated as Ising models. With IsingTester, we reformulate test selection and minimization as Ising spin configurations, encode multiple optimization strategies into Ising Hamiltonians, and implement solvers including CIM simulation and brute-force search. Given a user-provided dataset and solver configuration, IsingTester automatically performs problem encoding, optimization, and spin decoding, returning selected test cases back to the user. Along with IsingTester, we also present the accompanying IsingBench for evaluating and comparing optimization techniques across Ising-based paradigms against baseline approaches. A screencast demonstrating the tool is available at: https://github.com/WSE-Lab/IsingBench.
• Abstract（参考訳）: テストの最適化にはテストケースの選択と最小化が含まれており、これはソフトウェアテストにおいて重要な課題であり、過去に検索ベースのアプローチで対処されてきた。 テスト最適化問題に量子最適化を用いた最近の進歩に触発されて、組合せ最適化問題の解決の可能性を秘めたCoherent Ising Machines(CIM)を検討したが、まだテスト最適化に利用されていない。 そこで本稿では,Isingモデルとして定式化されたテスト最適化問題を解決するためのエンドツーエンドパイプラインを提供する,オープンソースのPythonベースのコマンドラインツールであるIsingTesterを紹介する。 IsingTesterでは、テスト選択と最小化をIsingのスピン構成に再構成し、Ising Hamiltonianに複数の最適化戦略をエンコードし、CIMシミュレーションやブルートフォースサーチなどの解決器を実装する。 ユーザが提供するデータセットとソルバの設定を前提として、IsingTesterは問題エンコーディング、最適化、スピンデコーディングを自動的に実行し、選択したテストケースをユーザに返却する。 IsingTesterとともに、Isingベースのパラダイムとベースラインアプローチの最適化テクニックの評価と比較を行うIsingBenchを紹介します。 ツールをデモするスクリーンキャストは、https://github.com/WSE-Lab/IsingBench.comで公開されている。

関連論文リスト

• POLCA: Stochastic Generative Optimization with LLM [26.342554900977003]
  局所文脈を用いた優先順位付け最適化(POLCA)を導入する。 POLCAは、最適化におけるパラメータ性を扱うために設計されたスケーラブルなフレームワークである。 我々は,POLCAが頑健,サンプル,時間効率の両立を実証した。
  論文  参考訳（メタデータ） (2026-03-16T03:07:44Z)
• Sample, Don't Search: Rethinking Test-Time Alignment for Language Models [55.2480439325792]
  新しいテストタイムアライメントアプローチであるQAlignを紹介します。 テスト時間計算をスケールする際、QAlignは各プロンプトの最適配向分布からのサンプリングに収束する。 マルコフ連鎖モンテカルロのテキスト生成における最近の進歩を取り入れることで、基礎となるモデルを変更したり、ロジットアクセスを必要とせずに、より良い整合出力を可能にする。
  論文  参考訳（メタデータ） (2025-04-04T00:41:40Z)
• Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
  厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。 本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。 提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-11-04T15:17:19Z)
• CATBench: A Compiler Autotuning Benchmarking Suite for Black-box Optimization [5.909352339240516]
  我々は、コンパイラ自動チューニングの複雑さを捉える包括的なベンチマークスイートであるCATBenchを紹介する。 CATBenchのベンチマークは、テンソル代数から画像処理、クラスタリングまで、機械学習指向の計算の範囲にまたがっている。 我々はCATBenchをいくつかの最先端アルゴリズムで検証し、その強みと弱点を明らかにした。
  論文  参考訳（メタデータ） (2024-06-24T20:15:04Z)
• On Test Sequence Generation using Multi-Objective Particle Swarm Optimization [0.2999888908665658]
  ソフトウェア開発ライフサイクルにおいて、ソフトウェアテストは重要かつ不可欠な部分です。 ソフトウェア業界では、テストコストはソフトウェアプロジェクトの総コストの約35%から40%を占めることができます。
  論文  参考訳（メタデータ） (2024-04-09T18:35:21Z)
• JoinGym: An Efficient Query Optimization Environment for Reinforcement Learning [58.71541261221863]
  結合順序選択(JOS)は、クエリの実行コストを最小化するために結合操作を順序付けする問題である。 木質強化学習(RL)のためのクエリ最適化環境JoinGymを提案する。 JoinGymは内部で、事前計算されたデータセットから中間結果の濃度を調べることで、クエリプランのコストをシミュレートする。
  論文  参考訳（メタデータ） (2023-07-21T17:00:06Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Optimizer Amalgamation [124.33523126363728]
  私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか? まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。 また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
  論文  参考訳（メタデータ） (2022-03-12T16:07:57Z)
• Bayesian Optimization for auto-tuning GPU kernels [0.0]
  GPUカーネルの最適パラメータ設定を見つけることは、たとえ自動化されても、大規模な検索スペースにとって簡単な作業ではない。 拡張性を改善した新しい文脈探索機能と,情報機能選択機構を併用した新しい獲得機能を導入する。
  論文  参考訳（メタデータ） (2021-11-26T11:26:26Z)

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。