論文の概要: Minimum Complete MR Subsets under Semantic-Mutation Fault Models: A Support-Set Domination Boundary

• arxiv url: http://arxiv.org/abs/2606.08269v1
• Date: Sat, 06 Jun 2026 17:31:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.00728
• Title: Minimum Complete MR Subsets under Semantic-Mutation Fault Models: A Support-Set Domination Boundary
• Title（参考訳）: セマンティック・ミューテーション断層モデルに基づく最小完全MRサブセット:支持セット支配境界
• Authors: Meng Li, Xiaohua Yang, Jie Liu, Shiyu Yan,
• Abstract要約: 本稿では、メタモルフィック試験における最小完全証拠に対するMRサブセット選択が真の変異レベル要件であるかどうかを問う。 許容されたミュータント上の層相対完全性基準を定義する。 結果として生じるMin-MR-Complete問題は、選択されたカバレッジ宇宙上のSet-Cover-equivalentである。
• 参考スコア（独自算出の注目度）: 6.691613382732758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper asks when MR-subset selection is a real mutant-level requirement for minimum complete evidence in metamorphic testing rather than a coarse fault-class counting artifact. We define a layer-relative completeness criterion over an admitted mutant--draw coverage universe. The central result is a support-set domination boundary: it states when class-level abstraction is safe and when mutant-level MR minimization is necessary. The boundary is governed by kill-signature heterogeneity, which yields a scoped fault-signature kernel and separates the MR-specific question from ordinary fault-class counting. The resulting Min-MR-Complete problem is Set-Cover-equivalent over the selected coverage universe, giving NP-hardness, the classical logarithmic approximation boundary, a greedy approximation, an exact ILP formulation, and an SMS-rank upper bound that is not a lower bound or tight predictor. Artifact lanes provide lane-local minimization and audit evidence; separately, route witnesses instantiate both collapse and non-collapse regimes for the boundary theorem and are not pooled as population-level experiments. Other MR-class-proxy rows remain intermediate signals rather than route-admitted witness evidence.
• Abstract（参考訳）: 本稿では, MRサブセット選択が, 粗い断層クラスカウントアーティファクトではなく, メタモルフィックテストにおける最小完全証明の真の変異レベル要件であるかどうかを問う。 許容されたミュータント上の層相対完全性基準を定義する。 クラスレベルの抽象化が安全であり、ミュータントレベルのMR最小化が必要な場合には、そのことが述べられる。 境界はキル・シグナチュア・ヘテロジニティによって制御され、これはスコープ化されたフォールトシグナチュアカーネルを生成し、MR固有の質問を通常のフォールトクラスカウントから分離する。 結果として得られるMin-MR-Complete問題は、選択されたカバレッジ宇宙上でのSet-Cover-equivalentであり、NP-hardness、古典的な対数近似境界、グリーディ近似、正確なILP定式化、および下位境界や厳密な予測子ではないSMS-rank上界を与える。 アーティファクトレーンはレーン局所的な最小化と監査の証拠を提供する; ルート目撃者は別々に、境界定理の崩壊と非崩壊状態の両方をインスタンス化し、人口レベルの実験としてプールされない。 他のMR-クラスプロキシー列は、経路が指示された証拠よりも中間信号のままである。

関連論文リスト

• Exact Structural Abstraction and Tractability Limits [0.0]
  正確な正確性は、誘導されたクラス $s sim_R simation' iff MathrmAdm_R(s)$ にのみ依存する。 決定、探索、近似、統計的、ランダム化された地平線、分布保証は全て同じ商-回復問題に還元される。
  論文  参考訳（メタデータ） (2026-04-08T17:59:47Z)
• A Researcher's Guide to Empirical Risk Minimization [3.891921282474929]
  このガイドは、経験的リスク最小化における高い確率的後悔境界の参照を提供する。 直観と一般的な証明戦略から始まり、ハイレベルな条件下で広く適用可能な保証を行う。
  論文  参考訳（メタデータ） (2026-02-25T02:26:23Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Optimal PAC Bounds Without Uniform Convergence [11.125968799758436]
  我々は、一様収束論の極限を超えるフレームワークを通して、最適な高確率リスク境界を提供する。 我々のフレームワークは、置換不変予測器の残余誤差を高い確率リスク境界に変換する。 具体的には, 1-inclusion graph アルゴリズムの特定のアグリゲーションが最適であることを示す。
  論文  参考訳（メタデータ） (2023-04-18T17:57:31Z)
• The Power of Sampling: Dimension-free Risk Bounds in Private ERM [25.676350220943274]
  本アルゴリズムは,ゼロ次オラクルのみを用いて,非平滑凸対象に対するランク依存的リスクバウンダリを実現することができることを示す。 これは、差分プライバシーにおけるサンプリングのパワーを強調します。
  論文  参考訳（メタデータ） (2021-05-28T07:28:24Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)
• Lower bounds in multiple testing: A framework based on derandomized proxies [107.69746750639584]
  本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。 これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
  論文  参考訳（メタデータ） (2020-05-07T19:59:51Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。