論文の概要: STMutants: A Mutation Testing Dataset for Structured Text Programs in Industrial Automation

• arxiv url: http://arxiv.org/abs/2606.05499v1
• Date: Wed, 03 Jun 2026 22:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.43404
• Title: STMutants: A Mutation Testing Dataset for Structured Text Programs in Industrial Automation
• Title（参考訳）: STMutants:産業自動化における構造化テキストプログラムの変異テストデータセット
• Authors: Md Humaun Kabir, Md Rakibul Islam, Helen H. Lou,
• Abstract要約: IEC 61131-3 構造化テキスト (Structured Text, ST) プログラムは、まだ公開されているベンチマークを欠いている。 STMutantsは,産業用自動化ソフトウェアのための突然変異試験データセットである。 STプログラムで最初に公開された突然変異ベンチマークを提供することで、STMutantsは再現可能な研究、突然変異解析、障害ローカライゼーション、PLCソフトウェアのAI支援品質保証を可能にする。
• 参考スコア（独自算出の注目度）: 0.28675177318965045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mutation testing is widely used to evaluate test-suite effectiveness, yet IEC 61131-3 Structured Text (ST) programs still lack a publicly available benchmark that supports reproducible mutation-based research. This gap is especially important because ST is extensively used in Programmable Logic Controllers (PLCs) that operate in real-time, safety-critical industrial environments, where software faults may cause equipment damage, production loss, or unsafe system behavior. To address this need, we present STMutants, a curated mutation testing dataset for industrial automation software. STMutants contains 110 generated first-order mutants derived from 11 ST programs collected from the OSCAT basic library and industrially relevant sources, of which 108 are retained after observability and equivalence screening. The dataset covers seven mutation operator categories adapted from classical taxonomies for the PLC domain, including value, relational, arithmetic, logical, negation, operation insertion/omission, and initialization faults. Each mutant is constructed through a four-phase methodology: fault-type profiling and operator selection, syntactic transformation, compilability verification, and manual equivalence screening with strong inter-rater agreement (kappa = 0.87). To demonstrate the usefulness of the dataset, we evaluate three large language models (LLMs) in a two-phase setting: test-suite generation followed by mutation kill/survive prediction. Across 108 retained mutants, the models achieve mutation detection accuracies of 86.1%, 94.4%, and 86.1%, respectively, with statistical analysis confirming significant performance differences. By providing the first publicly available mutation benchmark for ST programs, STMutants enables reproducible research on automated test generation, mutation analysis, fault localization, and AI-assisted quality assurance for PLC software.
• Abstract（参考訳）: IEC 61131-3 構造化テキスト (Structured Text:ST) プログラムは、再現可能な突然変異に基づく研究をサポートするベンチマークがまだ公開されていない。 このギャップは特に重要であり、STはプログラム可能なロジックコントローラ(PLC)において、ソフトウェア故障が機器の損傷、生産損失、安全でないシステム動作を引き起こすような、リアルタイムで安全で重要な産業環境で広く利用されている。 このニーズに対処するために、産業自動化ソフトウェアのための修正突然変異試験データセットであるSTMutantsを提案する。 STMutantsは、OSCAT基本ライブラリおよび産業関連ソースから収集された11のSTプログラムに由来する110の1次変異体を含み、その内108は可観測性および等価スクリーニング後に保持される。 データセットは、値、リレーショナル、算術、論理、否定、操作挿入/省略、初期化障害を含む、PLCドメインの古典的な分類から適応された7つの突然変異演算子カテゴリを含んでいる。 各変異体は、断層型プロファイリングと演算子選択、構文変換、コンパイル可能性検証、および強いレーザー間合意(kappa = 0.87)による手動同値スクリーニングという4段階の手法で構築される。 このデータセットの有用性を示すために,2段階設定で3つの大言語モデル(LLM)を評価した。 108のミュータントのうち、モデルはそれぞれ86.1%、94.4%、86.1%の突然変異検出精度を達成し、統計学的解析により大きな性能差が確認された。 STプログラムで最初に公開された突然変異ベンチマークを提供することにより、STMutantsは自動テスト生成、突然変異解析、障害ローカライゼーション、PLCソフトウェアのAI支援品質保証に関する再現可能な研究を可能にする。

関連論文リスト

• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• VIBEPASS: Can Vibe Coders Really Pass the Vibe Check? [46.85901599242161]
  emphFault-Triggering Test Generation(FT-Test)とemphFault-targeted Program repair(FPR)の2つの組み合わせタスクを評価した。 故障対象推論は一般的な符号化能力ではスケールしないことがわかった。 自己生成テストが障害の発見に成功すると、結果として得られた修復結果が外部から提供されたテストによってガイドされた修復と一致したり、性能が低下する。
  論文  参考訳（メタデータ） (2026-03-16T21:14:28Z)
• Characterizing Bugs and Quality Attributes in Quantum Software: A Large-Scale Empirical Study [0.6445605125467574]
  本研究は,2012年から2024年までの123個のオープンソース量子レポジトリを対象とした,ソフトウェアバグのエコシステムスケールの経時的解析を行った。 フルスタックのライブラリとコンパイラは、回路、ゲート、トランスパイレーションに関連する問題のために最もバグの多いカテゴリである。 暗号、実験コンピューティング、コンパイラツールチェーンにおける高重度バグクラスタ。
  論文  参考訳（メタデータ） (2025-12-31T06:05:49Z)
• MutDafny: A Mutation-Based Approach to Assess Dafny Specifications [46.0054630008219]
  潜在的な弱点を自動的に通知することで、Dafny仕様の信頼性を高めるツールであるMutDafnyを提示する。 一般的なツールから突然変異演算子を解析し、Dafnyに適用可能なものを同定する。 実世界の794個のDafnyプログラムのデータセットにおいて,MutDafnyの有効性と効率を評価する。
  論文  参考訳（メタデータ） (2025-11-19T12:58:06Z)
• User-Based Sequential Modeling with Transformer Encoders for Insider Threat Detection [0.005755004576310333]
  インサイダー脅威検出は、悪意のあるアクターの認定状態のために、ユニークな課題を提示する。 既存の機械学習メソッドは、ユーザアクティビティを独立したイベントとして扱うため、ユーザの振る舞いにおけるシーケンシャルな依存関係を活用できない。 本稿では,ユーザベースシーケンス法(UBS)手法を提案し,CERTインサイダー脅威データセットを深い逐次モデリングに適した構造化時間列に変換する。
  論文  参考訳（メタデータ） (2025-06-30T00:47:31Z)
• Latent Space Class Dispersion: Effective Test Data Quality Assessment for DNNs [45.129846925131055]
  Latent Space Class Dispersion (LSCD)は、ディープニューラルネットワーク(DNN)のテストデータセットの品質を定量化する新しいメトリクスである。 実験により,LSCDは画像分類タスクに関連する3つの一般的なベンチマークの試験データセットの欠陥を明らかにし,定量化することを示した。
  論文  参考訳（メタデータ） (2025-03-24T15:45:50Z)
• EquiBench: Benchmarking Large Language Models' Reasoning about Program Semantics via Equivalence Checking [58.15568681219339]
  大規模言語モデル(LLM)を評価するための新しいベンチマークであるEquiBenchを紹介する。 このタスクは、プログラムのセマンティクスについて推論するモデルの能力を直接テストする。 19の最先端LCMを評価し、最も難しいカテゴリでは、最高の精度は63.8%と76.2%であり、50%のランダムベースラインよりわずかに高い。
  論文  参考訳（メタデータ） (2025-02-18T02:54:25Z)
• A Comprehensive Study on Large Language Models for Mutation Testing [36.00296047226433]
  大規模言語モデル(LLM)は、最近、研究作業と産業実践の両方においてミュータントを生成するために使用されている。 BugFarm と LLMorpheus (最先端の2つの LLM ベースのアプローチ) を,Java の実世界の2つのバグベンチマークから,851 の実際のバグに対して評価した。 以上の結果から, LLMは既存のルールベースアプローチと比較して, 実際のバグに近づき, 111.29%の障害検出率を持つ, より多様な変異体を生成することが明らかとなった。
  論文  参考訳（メタデータ） (2024-06-14T08:49:41Z)
• Contextual Predictive Mutation Testing [17.832774161583036]
  MutationBERTは、ソースメソッドの突然変異とテストメソッドを同時にエンコードする予測突然変異テストのアプローチである。 精度が高いため、MutationBERTは、ライブミュータントをチェック・検証する以前のアプローチで費やされた時間の33%を節約する。 我々は、入力表現と、テストマトリックスレベルからテストスイートレベルまで予測を引き上げるためのアグリゲーションアプローチを検証し、同様の性能改善を見出した。
  論文  参考訳（メタデータ） (2023-09-05T17:00:15Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)

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。