論文の概要: Quality-Driven Selective Mutation for Deep Learning

• arxiv url: http://arxiv.org/abs/2604.22640v1
• Date: Fri, 24 Apr 2026 15:15:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.515674
• Title: Quality-Driven Selective Mutation for Deep Learning
• Title（参考訳）: ディープラーニングのための品質駆動型選択変異
• Authors: Zaheed Ahmed, Emmanuel Charleson Dapaah, Philip Makedonski, Jens Grabowski,
• Abstract要約: ディープラーニングのための選択的突然変異は、耐性があり現実的な変異をもたらすオペレータ構成を選択することで、突然変異の生成と実行のコストを削減することを目的としている。 本研究では,2つの相補的軸(抵抗とリアリズム)に沿って変異品質を定量化する確率的枠組みを提案する。 品質駆動的選択は、典型的な抵抗性とリアリズムを保ちながら、生成した突然変異体の数を最大55.6%減少させることを示す。
• 参考スコア（独自算出の注目度）: 0.31498833540989407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mutants support testing and debugging in two roles: (i) as test goals and (ii) as substitutes for real faults. Hard-to-kill mutants provide better guidance for test improvement, while realism is essential when mutants are used to simulate real bugs. Building on these roles, selective mutation for deep learning (DL) aims to reduce the cost of mutant generation and execution by choosing operator configurations that yield resistant and realistic mutants. However, the DL literature lacks a unified measure that captures both aspects. This study presents a probabilistic framework to quantify mutant quality along two complementary axes: resistance and realism. Resistance adapts the classical notion of hard-to-kill mutants to the DL setting using statistical killing probabilities, while realism is measured via the generalized Jaccard similarity between mutant and real-fault detectability patterns. The framework enables ranking and filtering of low-quality mutation-operator configurations without assuming a specific use case. We empirically evaluate the approach on four datasets of real DL faults. Three datasets (CleanML, DeepFD, and DeepLocalize) are used to estimate and select high-quality operator configurations, and the held-out defect4ML dataset is used for validation. Results show that quality-driven selection reduces the number of generated mutants by up to 55.6% while preserving typical levels of resistance and realism under baseline-aligned selection thresholds. These findings confirm that dual-objective selection can lower cost without compromising the usefulness of mutants for either role.
• Abstract（参考訳）: ミュータントは2つの役割でテストとデバッグをサポートする。 i) テスト目標として、そして、 (二)実断層の代用として ハード・トゥ・キル変異体はテスト改善のためのより良いガイダンスを提供するが、実際のバグをシミュレートするために変異体を使用する場合、リアリズムは必須である。 これらの役割に基づいて、深層学習のための選択的突然変異(DL)は、抵抗的で現実的な変異をもたらすオペレータ構成を選択することで、変異生成と実行のコストを削減することを目的としている。 しかし、DL文学には両方の側面を捉える統一的な尺度が欠けている。 本研究では,2つの相補的軸(抵抗とリアリズム)に沿って変異品質を定量化する確率的枠組みを提案する。 抵抗性は、統計的殺人確率を用いたDLセッティングの古典的な概念に適応する一方、現実主義は、ミュータントとリアルフォールト検出可能性パターンの一般化されたジャカード類似性によって測定される。 このフレームワークは、特定のユースケースを仮定することなく、低品質の突然変異操作者構成のランク付けとフィルタリングを可能にする。 実際のDL故障の4つのデータセットに対するアプローチを実証的に評価した。 3つのデータセット(CleanML、DeepFD、DeepLocalize)を使用して、高品質な演算子構成を推定し、選択する。 その結果、品質駆動的な選択は生成した変異体の数を最大55.6%減らし、ベースラインに整列した選択しきい値の下での抵抗性とリアリズムの典型的なレベルを保っていることがわかった。 これらの結果から,両目的選択は,いずれの役割にも変異体の有用性を損なうことなく,コストを下げる可能性が示唆された。

関連論文リスト

• Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
  本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。 OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
  論文  参考訳（メタデータ） (2026-03-19T17:43:12Z)
• Attribution-Guided Model Rectification of Unreliable Neural Network Behaviors [60.06461883533697]
  我々は、ランクワンモデル編集を活用して、帰属誘導モデル修正フレームワークを確立する。 まず、既存のモデル編集と整合性の設定を区別し、信頼性の低い振る舞いを補正する定式化を行う。 そこで本研究では, 帰属誘導層ローカライゼーション手法を提案する。
  論文  参考訳（メタデータ） (2026-03-08T01:06:07Z)
• An Empirical Study of the Realism of Mutants in Deep Learning [0.34410212782758043]
  本研究は,深層学習における事前学習と後学習による突然変異アプローチの実証的研究である。 その結果, プレトレーニング変異体は, ポストトレーニング変異体よりも強い結合性を示し, 実断層との挙動類似性が示唆された。
  論文  参考訳（メタデータ） (2025-12-18T16:37:50Z)
• An Empirical Evaluation of Manually Created Equivalent Mutants [54.02049952279685]
  手動で作成した突然変異体の10%未満は等価である。 驚くべきことに、我々の発見は、開発者の大部分が同等のミュータントを正確に識別するのに苦労していることを示している。
  論文  参考訳（メタデータ） (2024-04-14T13:04:10Z)
• Predicting loss-of-function impact of genetic mutations: a machine learning approach [0.0]
  本稿では,遺伝子変異の属性に基づいて機械学習モデルを学習し,LoFtoolスコアを予測することを目的とする。 これらの属性には、染色体上の突然変異の位置、アミノ酸の変化、変異によって引き起こされるコドンの変化が含まれていた。 モデルは, 平均2乗誤差, 平均2乗誤差, 平均2乗誤差, 平均絶対誤差, 説明分散の5倍のクロスバリデード平均を用いて評価した。
  論文  参考訳（メタデータ） (2024-01-26T19:27:38Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Mutation Testing of Deep Reinforcement Learning Based on Real Faults [11.584571002297217]
  本稿では,MT(Reinforcement Learning, 強化学習)システムに拡張するために,既存のMT(Mutation Testing)アプローチに基づいて構築する。 本研究は, 突然変異致死定義の設計選択が, 生成したテストケースだけでなく, 変異が致死するか否かにも影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2023-01-13T16:45:56Z)
• DeepMutation: A Neural Mutation Tool [26.482720255691646]
  DeepMutationは、ディープラーニングモデルを完全に自動化されたツールチェーンにラップするツールです。 実際の断層から学んだ変異体を生成し、注入し、テストすることができる。
  論文  参考訳（メタデータ） (2020-02-12T01:57:41Z)

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。