論文の概要: Why3-py: A Tool for Formal Verification of Hypothesis Testing and Meta-Analysis in Python

• arxiv url: http://arxiv.org/abs/2607.03951v1
• Date: Sat, 04 Jul 2026 16:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.771508
• Title: Why3-py: A Tool for Formal Verification of Hypothesis Testing and Meta-Analysis in Python
• Title（参考訳）: Why3-py: Pythonにおける仮説テストとメタ分析の形式検証ツール
• Abstract要約: 我々はPythonで書かれた統計プログラムの形式的検証フレームワークを提案する。 我々は、Why3検証プラットフォームのPythonフロントエンドであるWhy3-pyを紹介した。 メタ分析手法の検証を支援するため、StatWhyツールを拡張した。
• 参考スコア（独自算出の注目度）: 0.47267770920095525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The reproducibility crisis in scientific research has received widespread recognition, thereby increasing the importance of meta-analyses that integrate statistical analyses from multiple studies. However, statistical methods often have ambiguous and implicit underlying assumptions, which can lead to their erroneous applications and interpretations. To address this issue, we propose a formal verification framework for statistical programs written in Python. Specifically, we present Why3-py, a Python front-end for the Why3 verification platform that transforms Python programs into verification-oriented WhyML representations suitable for formal verification, addressing the challenges arising from Python's dynamic typing and runtime polymorphism. Furthermore, we extend the StatWhy tool to support the verification of meta-analysis methods. These tools enable users to identify overlooked assumptions and misuse of analyses, and to verify the correctness of Python programs for hypothesis testing and for meta-analyses.
• Abstract（参考訳）: 科学的研究における再現性危機は広く認識されており、複数の研究から統計分析を統合するメタ分析の重要性が高まっている。 しかし、統計的手法はしばしば曖昧で暗黙的な仮定を持ち、誤った応用や解釈につながる可能性がある。 この問題に対処するために,Pythonで書かれた統計プログラムの形式的検証フレームワークを提案する。 具体的には、Pythonプログラムを形式的検証に適した検証指向のWhyML表現に変換するWhy3-pyについて、Pythonの動的型付けと実行時ポリモルフィズムから生じる課題に対処する。 さらに,メタ分析手法の検証を支援するため,StatWhyツールを拡張した。 これらのツールは、見過ごされた仮定と分析の誤用を特定し、仮説テストやメタ分析のためのPythonプログラムの正しさを検証する。

関連論文リスト

• PyVeritas: On Verifying Python via LLM-Based Transpilation and Bounded Model Checking for C [18.52519530244078]
  Pythonは汎用プログラミングの主流言語になったが、形式検証のための堅牢なツールが欠けている。 PyVeritasはPythonからCへの高レベルのトランスパイルにLLM(Large Language Models)を利用する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-08-11T16:49:07Z)
• Examining False Positives under Inference Scaling for Mathematical Reasoning [83.97128486951999]
  言語モデルにおける数学的問題解決における偽陽性解の有効性を体系的に検討する。 実験結果から,(1)異なるモデル,データセット,復号化手法,(2)サンプリングベース推論時間スケーリング手法では問題を緩和できないこと,(3)pass@N評価基準の方が偽陽性の影響を受けやすいこと,などが明らかになった。
  論文  参考訳（メタデータ） (2025-02-10T07:49:35Z)
• PyPulse: A Python Library for Biosignal Imputation [58.35269251730328]
  PyPulseは,臨床およびウェアラブルの両方のセンサ設定において生体信号の計算を行うPythonパッケージである。 PyPulseのフレームワークは、非機械学習バイオリサーバーを含む幅広いユーザーベースに対して、使い勝手の良いモジュラーで拡張可能なフレームワークを提供する。 PyPulseはMITライセンスでGithubとPyPIでリリースしました。
  論文  参考訳（メタデータ） (2024-12-09T11:00:55Z)
• RobPy: a Python Package for Robust Statistical Methods [1.2233362977312945]
  RobPyはPythonで幅広い堅牢なメソッドを提供し、NumPy、SciPy、Scikit-learnといった既存のライブラリ上に構築されている。 本稿では、RobPyパッケージの構造を示し、実例を通してその機能を実証し、その機能を他の統計ソフトウェアにおける既存の実装と比較する。
  論文  参考訳（メタデータ） (2024-11-04T10:27:30Z)
• PoTo: A Hybrid Andersen's Points-to Analysis for Python [3.6793233203143743]
  PoToはAndersenスタイルのコンテキスト非感性とフロー非感性を備えたPythonのポイントツー分析である。 PoTo+は、ポイントツー分析に基づいて構築されたPythonの静的型推論である。
  論文  参考訳（メタデータ） (2024-09-05T21:26:25Z)
• StatWhy: Formal Verification Tool for Statistical Hypothesis Testing Programs [0.9886108751871757]
  本稿では,統計プログラムの正当性を公式に特定し,自動検証するツール支援手法を提案する。 プログラマは、統計プログラムのソースコードに、これらのメソッドの要件をアノテートする必要がある。 我々のソフトウェアツールStatWhyは、プログラマが統計手法の要件を適切に指定したかどうかを自動的にチェックする。
  論文  参考訳（メタデータ） (2024-05-25T05:07:33Z)
• FauxPy: A Fault Localization Tool for Python [4.366130138560774]
  FauxPyはPythonプログラムのフォールトローカライズツールである。 本稿は、FauxPyを2つの例に例示し、その主な特徴と機能について、ユーザの視点から論じる。
  論文  参考訳（メタデータ） (2024-04-29T11:11:26Z)
• Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
  この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。 textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。 パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
  論文  参考訳（メタデータ） (2021-09-06T16:46:38Z)
• QuaPy: A Python-Based Framework for Quantification [76.22817970624875]
  QuaPyは、定量化を行うためのオープンソースのフレームワークである(例えば、教師付き精度推定)。 Pythonで書かれており、pip経由でインストールできる。
  論文  参考訳（メタデータ） (2021-06-18T13:57:11Z)
• DoWhy: An End-to-End Library for Causal Inference [16.764873959182765]
  因果仮定で構築されたオープンソースのPythonライブラリであるDoWhyを,その第一級市民として説明する。 DoWhy氏は、あらゆる因果解析に共通する4つのステップのAPIを提示している。 特にDoWhyは、プラセボテスト、ブートストラップテスト、未発見のコンバウンディングのテストなど、多数のチェックを実装している。
  論文  参考訳（メタデータ） (2020-11-09T06:22:11Z)
• GO FIGURE: A Meta Evaluation of Factuality in Summarization [131.1087461486504]
  本稿では,現実性評価指標を評価するメタ評価フレームワークGO FIGUREを紹介する。 10個の実測値のベンチマーク分析により、我々のフレームワークが堅牢で効率的な評価を提供することが明らかとなった。 また、QAメトリクスは、ドメイン間の事実性を測定する標準的なメトリクスよりも一般的に改善されているが、パフォーマンスは、質問を生成する方法に大きく依存していることも明らかにしている。
  論文  参考訳（メタデータ） (2020-10-24T08:30:20Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。