論文の概要: ScratchLens: Lens-Parametric Behavioral Equivalence for Scratch Programs
- arxiv url: http://arxiv.org/abs/2606.15817v2
- Date: Tue, 16 Jun 2026 02:56:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 15:01:46.741516
- Title: ScratchLens: Lens-Parametric Behavioral Equivalence for Scratch Programs
- Title（参考訳）: ScratchLens:スクラッチプログラムにおけるレンズパラメトリックな行動等価性
- Authors: Yuan Si, Jialu Zhang,
- Abstract要約: ScratchLensは因果発散現象と観察レンズの分類によって行動等価性を明示する。
Scratchプロジェクトは、型付きリソースとセマンティックトランザクションの因果IRにコンパイルし、リネーム、ガード、プロシージャボディを標準化し、Mazurkiewiczと同一のトリガーを通常のフォームに割り当てる。
ScratchLensは、実際のScratchプロジェクトのVM知能突然変異コーパス上で、検証済みのすべてのペアを決定し、目撃された異なるペアに対して0/158の偽等価なクレームを生成する。
- 参考スコア（独自算出の注目度）: 2.054408744752205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Two Scratch programs can be syntactically far apart-renamed variables, split scripts, extracted custom blocks, or reordered initialization-and still behave identically; a one-block edit, such as replacing a blocking broadcast with an asynchronous one, can create divergences visible only under specific schedules. Deciding behavioral equivalence is central to automated feedback, grading support, and repair validation, yet tree differencing is too strict and single-run dynamic comparison is unsound for concurrent, random, and timing-dependent behavior. We observe that equivalence for block-based programs is lens-parametric: final state, frame traces, monitors, event causality, and debug traces induce different observation relations. ScratchLens makes this explicit through a taxonomy of causal divergence phenomena and observation lenses. It compiles Scratch projects into a causal IR of typed resources and semantic transactions, canonicalizes renamings, guards, and procedure bodies, quotients same-trigger concurrency with Mazurkiewicz trace normal forms, separates program order from races, and handles residual frontiers through SMT obligations and VM-backed counterexample-guided refinement. Conclusive verdicts carry evidence: equivalence by bijection and trace quotient, difference by a typed witness, and unresolved cases remain unknown. On a VM-witnessed mutation corpus from real Scratch projects, ScratchLens decides all 444 validated pairs and makes 0/158 false-equivalence claims on witnessed-different pairs under strict scoring. Structural, dynamic-only, and LLM baselines fail on the classes predicted by the taxonomy; ablations quantify the contribution of partial-order reduction and lens parametricity; and targeted scenarios expose ambiguous-mutant divergences missed by random testing.
- Abstract（参考訳）: 2つのScratchプログラムは、構文的に遠く離れた名前の変数、スプリットスクリプト、抽出されたカスタムブロック、あるいは順序付けされた初期化でも同じように振る舞うことができる。
行動等価性の決定は、自動フィードバック、グレーディングサポート、修復バリデーションの中心であるが、木の違いは厳密であり、同時、ランダム、タイミングに依存した振る舞いに対して単行動的比較は正しくない。
ブロックベースのプログラムの等価性は、最終状態、フレームトレース、モニター、イベント因果関係、デバッグトレースといったレンズパラメトリックである。
ScratchLensは、因果発散現象と観察レンズの分類を通じて、これを明示する。
Scratchプロジェクトは、型付きリソースとセマンティックトランザクションの因果IRにコンパイルされ、リネーム、ガード、プロシージャボディを正則化し、Mazurkiewiczと同一のトリガー並行性を持つ。
決定的評決には証拠がある: 単射とトレース商による等価性、型付き証人による差異、未解決の事件は未だ不明である。
ScratchLensは、実際のScratchプロジェクトのVMウィットの突然変異コーパス上で、444の検証済みペアすべてを決定し、厳格なスコア付けの下で目撃された異なるペアに対して0/158の偽等価なクレームを発行する。
構造的、動的にのみ、LLMベースラインは分類学によって予測されるクラスで失敗し、アブレーションは部分次減少とレンズパラメトリック性の寄与を定量化し、ターゲットシナリオはランダムなテストで見逃されたあいまいな変異の発散を露呈する。
関連論文リスト
- When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection [56.362776482614976]
本研究では,学習した視覚概念に対する制約を論理規則として与える環境での異常検出について検討する。
本稿では,各制約を有向非巡回グラフにコンパイルし,特徴認識サブツリーゲートを学習するニューラルルール評価器を提案する。
CLEVRER、OpenImages、VidOR全体で、結果として得られる評価は、独立イベントと同一イメージのセマンティックトレーニングベースラインよりもルールレベルのAUROCを改善する。
論文 参考訳（メタデータ） (2026-05-25T02:52:36Z) - CasualSynth: Generating Structurally Sound Synthetic Data [44.80087038178069]
大言語モデル(LLM)は、現実的な合成データを生成するが、その出力がターゲットドメインを管理する因果的メカニズムを尊重することを保証しない。
本稿では,意味的実現から因果構造の生成を分離するフレームワークCausal Synthを紹介し,因果的妥当性と言語学的にリッチな合成データを生成する。
論文 参考訳（メタデータ） (2026-05-17T16:21:01Z) - FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。
属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。
PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
論文 参考訳（メタデータ） (2026-05-05T02:31:18Z) - PRISM: A Dual View of LLM Reasoning through Semantic Flow and Latent Computation [15.91920027845529]
PRISM(Probabilistic Reasoning Inspection through Semantic and Implicit Modeling)は、両方のレベルを共同で分析するためのフレームワークおよび診断ツールである。
これは、推論過程における系統的なパターンを明らかにし、失敗した軌道は非生産的な検証ループに閉じ込められる傾向にあることを示した。
PRISMは、最終タスクの精度にのみ依存するのではなく、これらの振る舞いを観測し分析可能にする。
論文 参考訳（メタデータ） (2026-03-24T03:31:53Z) - ConsistencyChecker: Tree-based Evaluation of LLM Generalization Capabilities [14.13459302125202]
大きな言語モデル(LLM)の一貫性を評価することは、信頼性を確保するために不可欠である。
従来の自己整合性メソッドは、自然言語の微妙な意味的変化や、コードや方程式の関数的シフトを見逃すことが多い。
可逆変換のシーケンスによる一貫性の測定を目的とした木に基づく評価フレームワークであるConsistencyCheckerを提案する。
論文 参考訳（メタデータ） (2025-06-14T07:18:33Z) - Representation Learning Preserving Ignorability and Covariate Matching for Treatment Effects [18.60804431844023]
観測データから治療効果を推定することは, 隠れたコンバウンディングにより困難である。
隠れた欠点と選択バイアスの両方に対処する共通のフレームワークが欠落している。
論文 参考訳（メタデータ） (2025-04-29T09:33:56Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z) - Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。
我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。
まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
論文 参考訳（メタデータ） (2020-08-19T16:04:34Z) - Unsupervised Feature Learning by Cross-Level Instance-Group
Discrimination [68.83098015578874]
我々は、インスタンスグループ化ではなく、クロスレベルな識別によって、インスタンス間の類似性を対照的な学習に統合する。
CLDは、教師なし学習を、自然データや現実世界のアプリケーションに効果的に近づける。
セルフスーパービジョン、セミスーパービジョン、トランスファーラーニングベンチマークに関する新たな最先端技術は、報告されたすべてのパフォーマンスでMoCo v2とSimCLRを上回っている。
論文 参考訳（メタデータ） (2020-08-09T21:13:13Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳（メタデータ） (2020-04-18T20:09:34Z)
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。