論文の概要: Bidirectional Empowerment of Metamorphic Testing and Large Language Models: A Systematic Survey

• arxiv url: http://arxiv.org/abs/2605.13898v1
• Date: Tue, 12 May 2026 13:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.404475
• Title: Bidirectional Empowerment of Metamorphic Testing and Large Language Models: A Systematic Survey
• Title（参考訳）: メタモルフィックテストと大規模言語モデルの双方向エンパワーメント:システム的調査
• Authors: Zheng Zheng, Zenghui Zhou, Yinwang Xu, Daixu Ren, Tsong Yueh Chen,
• Abstract要約: 大規模言語モデル(LLM)は、その生成的、確率的、そしてオープンな性質のために、ソフトウェア品質保証に重大な課題をもたらした。 本調査は,93の初等研究を体系的にレビューし,この相互関係をMTとLLMの双方向のエンパワーメントとして特徴づけるものである。
• 参考スコア（独自算出の注目度）: 2.5538553423984083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have introduced substantial challenges to software quality assurance due to their generative, probabilistic, and open-ended nature, which intensifies the oracle problem and limits the applicability of traditional testing methods. Metamorphic testing (MT), which checks necessary relations among multiple related executions rather than relying on exact expected outputs, has emerged as a promising approach for testing LLMs and other oracle-deficient systems. At the same time, the strong semantic understanding, reasoning, and code generation capabilities of LLMs create new opportunities to automate the traditionally labor-intensive phases of MT. This survey systematically reviews 93 primary studies and characterizes this reciprocal relationship as the bidirectional empowerment of MT and LLMs. We propose a taxonomy spanning two complementary directions: MT for LLMs, which uses MT to verify, validate, assess, and understand LLMs and LLM-based systems across issues such as hallucination, fairness, robustness, code reliability, retrieval-augmented generation, dialogue, and autonomous agents; and LLMs for MT, which leverages LLMs to support metamorphic relation discovery, input transformation and synthesis, executable test implementation, and agentic closed-loop testing. By synthesizing these developments, this survey provides a structured foundation for understanding the evolving synergy between MT and LLMs and highlights future directions for building more rigorous, scalable, and trustworthy AI quality assurance methodologies.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、その生成的、確率的、そしてオープンな性質のため、ソフトウェア品質の保証に重大な課題を導入しており、これはオラクルの問題を高め、従来のテスト手法の適用性を制限している。 正確な出力に頼るのではなく、複数の関連する実行間の必要な関係をチェックするメタモルフィックテスト(MT)は、LLMやその他のオラクル不足システムをテストするための有望なアプローチとして登場した。 同時に、LLMの強い意味理解、推論、コード生成能力は、従来の労働集約的なMTのフェーズを自動化する新たな機会を生み出します。この調査は、93の初等研究を体系的にレビューし、この相互関係をMTとLLMの双方向のエンパワーメントとして特徴づけます。 MT for LLMs, MT for LLMs, MT for LLMs, MT for LLMs, MT for LLMs, MT for LLMsは, メタモルフィック関係の発見, 入力変換, 合成, 実行可能テスト実装, エージェントクローズループテストなどの問題にまたがって, MT for LLMsを検証, 評価, 理解する。 これらの開発を合成することにより、この調査はMTとLLM間の進化する相乗効果を理解するための構造化された基盤を提供し、より厳格でスケーラブルで信頼性の高いAI品質保証方法論を構築するための今後の方向性を強調します。

関連論文リスト

• A Survey on Training-free Alignment of Large Language Models [26.81373900601774]
  トレーニングフリー(TF)アライメント技術は、リソース集約的な微調整に代わる有望な代替手段を提供する。 本稿では,TFアライメント法の最初の体系的レビューを行う。
  論文  参考訳（メタデータ） (2025-08-12T15:30:44Z)
• Multimodal Behavioral Patterns Analysis with Eye-Tracking and LLM-Based Reasoning [12.054910727620154]
  視線追跡データは、ユーザの認知状態に関する貴重な洞察を明らかにするが、その構造化された非言語的な性質のために分析することは困難である。 本稿では、視線追跡信号からの認知パターン抽出を促進するために、マルチモーダルな人間-AI協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:49:53Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• Challenges in Testing Large Language Model Based Software: A Faceted Taxonomy [8.927002750209295]
  LLM(Large Language Models)とMulti-Agent LLM(MALLMs)は、従来の機械学習ソフトウェアとは異なり、非決定性を導入している。 本稿では,LLMテストケース設計のための分類法について述べる。
  論文  参考訳（メタデータ） (2025-03-01T13:15:56Z)
• Beyond Binary: Towards Fine-Grained LLM-Generated Text Detection via Role Recognition and Involvement Measurement [51.601916604301685]
  大規模言語モデル(LLM)は、オンライン談話における信頼を損なう可能性のあるコンテンツを生成する。 現在の手法はバイナリ分類に重点を置いており、人間とLLMのコラボレーションのような現実のシナリオの複雑さに対処できないことが多い。 バイナリ分類を超えてこれらの課題に対処するために,LLM生成コンテンツを検出するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-10-18T08:14:10Z)
• Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning [53.6472920229013]
  大規模言語モデル(LLM)は多くの自然言語タスクにおいて印象的な能力を示している。 LLMは多段階推論を行う際にエラー、幻覚、矛盾する文を生成する傾向がある。 本稿では,LLMの復号化過程を検討計画で導くためのフレームワークであるQ*を紹介する。
  論文  参考訳（メタデータ） (2024-06-20T13:08:09Z)
• Improving Machine Translation with Large Language Models: A Preliminary Study with Cooperative Decoding [73.32763904267186]
  大きな言語モデル(LLM)は、優れた翻訳品質を達成する可能性を示す。 我々は,NMTシステムを事前翻訳モデルとして扱うCooperative Decoding(CoDec)と,MT指向LLMを補足解として提案する。
  論文  参考訳（メタデータ） (2023-11-06T03:41:57Z)

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。