論文の概要: Provably Lossless Acceleration of DNN Mutation Testing via Memoization
- arxiv url: http://arxiv.org/abs/2607.18582v1
- Date: Mon, 20 Jul 2026 23:41:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.276454
- Title: Provably Lossless Acceleration of DNN Mutation Testing via Memoization
- Title（参考訳）: メモ化によるDNN変異検査の無害化
- Abstract要約: メモリ化による突然変異試験を高速化する最初のフレームワークであるMureを紹介する。
Mure は突然変異検査の計算コストを平均 44.54% 削減することを示した。
我々はまた、最先端技術は高い加速をもたらす傾向にあるが、突然変異スコアの誤りのコストがかかることも観察した。
- 参考スコア（独自算出の注目度）: 1.5999696540303392
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mutation analysis has recently reemerged in the context of deep neural networks (DNNs) as a promising, but notoriously costly, approach for assessing test dataset adequacy. Existing techniques speed up DNN mutation testing through lossy approximations that trade efficiency for mutation score accuracy. This paper introduces Mure, the first provably lossless framework for accelerating DNN mutation testing via memoization. Mure is based on the idea that DNN mutants and the original model share substantial redundant computation, so during mutation testing, it executes only the mutated suffixes of each mutant and reuses the common prefix from the original model, which is computed only once. We give a formal account of memoized mutation testing, and prove that Mure is sound, i.e., it produces results equivalent to exhaustive vanilla mutation testing, and identify basic conditions under which speed-up is guaranteed. We have implemented Mure and evaluated it on 15 DNN models of various architectures, complexities, and sizes ranging from a few thousands to millions of parameters. This provides empirical evidence that Mure reduces the computational cost of mutation testing by 44.54%, on average. We also observed that while state-of-the-art techniques tend to yield higher acceleration (up to 88.97%, on average), they come at the cost of some error in mutation score. We further analyze the effect of mutation generation selection ratio on the effectiveness of Mure and observed predictable reductions in memoization opportunities with increasing the percentage of mutated neurons. We observed that Mure offers more than 20% speed-up even when as high as 5% of the neurons are mutated.
- Abstract（参考訳）: 突然変異解析は、最近ディープニューラルネットワーク(DNN)の文脈で、テストデータセットの妥当性を評価するための有望だが、費用のかかるアプローチとして再燃した。
既存のテクニックは、突然変異スコアの正確性を交換する損失近似を通じて、DNNの突然変異試験を高速化する。
本報告では, メモ化によるDNN突然変異試験を高速化するための, 初めての無作為なフレームワークであるMureを紹介する。
ミューアは、DNNミュータントと元のモデルがかなりの冗長な計算を共有しているという考えに基づいており、突然変異テストの間、各ミュータントの変異した接尾辞のみを実行し、元のモデルから共通のプレフィックスを再利用する。
われわれは,暗黙の突然変異検査を公式に報告し,ミューアが健全であること,すなわち,徹底的なバニラ突然変異検査と同等の結果が得られたことを証明し,スピードアップが保証される基本条件を特定した。
われわれはMuleを実装し、数千から数百万のパラメータの様々なアーキテクチャ、複雑さ、サイズからなる15のDNNモデルで評価した。
これは、ミューアが突然変異検査の計算コストを平均44.54%削減した経験的な証拠を提供する。
また、最先端技術は高い加速(平均で88.97%)をもたらす傾向にあるが、突然変異スコアの誤りのコストがかかることも観察した。
さらに,変異発生選択比がミューアの有効性に及ぼす影響を解析し,変異ニューロンの割合の増加に伴うメモ化機会の減少を観測した。
Mureは、最大5%のニューロンが突然変異しても20%以上のスピードアップを提供する。
関連論文リスト
- Muon is Provably Faster with Momentum Variance Reduction [55.388203260208485]
近年の実証研究により、線形線形オラクル(LMO)に基づく深層学習が特に選択された非ユーデアンよりも優れていることが示された。
アダム型学習法は,大規模言語モデルの最小化よりも優れている。
論文 参考訳（メタデータ） (2025-12-18T14:38:39Z) - Using Fourier Analysis and Mutant Clustering to Accelerate DNN Mutation Testing [0.9617606953987995]
ディープニューラルネットワーク(DNN)突然変異解析は、テストセットの妥当性を評価するための有望なアプローチである。
本稿では,Fourier 解析を用いた変異検査を高速化する手法として DM# を提案する。
本研究は, DM#の突然変異試験における効果を平均28.38%, 平均で0.72%の誤り率で評価した。
論文 参考訳（メタデータ） (2025-10-03T04:36:42Z) - On Accelerating Deep Neural Network Mutation Analysis by Neuron and Mutant Clustering [1.7188280334580197]
ディープニューラルネットワーク(DNN)の突然変異解析は、テストデータ品質とモデルロバスト性を効果的に評価するための有望な方法である。
本稿では, 突然変異解析を高速化する手法とツールであるDEEPMAACCについて述べる。
以上の結果から, 突然変異試験速度と突然変異点誤差との間にはトレードオフがあることが示唆された。
論文 参考訳（メタデータ） (2025-01-22T02:48:07Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - An Empirical Evaluation of Manually Created Equivalent Mutants [54.02049952279685]
手動で作成した突然変異体の10%未満は等価である。
驚くべきことに、我々の発見は、開発者の大部分が同等のミュータントを正確に識別するのに苦労していることを示している。
論文 参考訳（メタデータ） (2024-04-14T13:04:10Z) - Predicting loss-of-function impact of genetic mutations: a machine
learning approach [0.0]
本稿では,遺伝子変異の属性に基づいて機械学習モデルを学習し,LoFtoolスコアを予測することを目的とする。
これらの属性には、染色体上の突然変異の位置、アミノ酸の変化、変異によって引き起こされるコドンの変化が含まれていた。
モデルは, 平均2乗誤差, 平均2乗誤差, 平均2乗誤差, 平均絶対誤差, 説明分散の5倍のクロスバリデード平均を用いて評価した。
論文 参考訳（メタデータ） (2024-01-26T19:27:38Z) - MuRS: Mutant Ranking and Suppression using Identifier Templates [4.9205581820379765]
Googleの突然変異テストサービスは、差分ベースの突然変異テストをコードレビュープロセスに統合する。
Googleの突然変異テストサービスは、役に立たないミュータントをターゲットにした、いくつかの抑制ルールを実装している。
テスト中のソースコードのパターンによってミュータントをグループ化する自動手法である MuRS を提案し,評価する。
論文 参考訳（メタデータ） (2023-06-15T13:43:52Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Systematic Assessment of Fuzzers using Mutation Analysis [20.91546707828316]
ソフトウェアテストでは、テスト品質を評価するためのゴールドスタンダードは突然変異解析である。
突然変異解析は、様々なカバレッジ対策を仮定し、大規模で多様な障害セットを提供する。
複数の突然変異をプールし、初めて(初めて)ファジィを突然変異解析と比較する現代の突然変異解析技術を適用します。
論文 参考訳（メタデータ） (2022-12-06T15:47:47Z) - MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。
最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。
モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
論文 参考訳（メタデータ） (2021-10-18T17:55:11Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳（メタデータ） (2021-02-12T18:08:14Z)
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。