論文の概要: PADRAIG: Precise Android Automated Input Generation
- arxiv url: http://arxiv.org/abs/2608.00230v1
- Date: Fri, 31 Jul 2026 19:20:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 15:15:59.263051
- Title: PADRAIG: Precise Android Automated Input Generation
- Title(参考訳): PADRAIG: 精密なAndroid自動入力生成
- Abstract要約: 本稿では,モデルベーステスト入力生成フレームワークPADRAIGについて述べる。
AUTの詳細な制御フローモデルを使用して,より高いラインカバレッジを実現するテストを生成する。
F-Droidアプリケーションストアからランダムに選択された19のAndroidアプリを用いて、PADRAIGは平均して、最先端技術よりも平均して16%のAUTカバレッジを実現し、平均84%のランタイムでテストを生成することができた。
- 参考スコア(独自算出の注目度): 2.3074667378396807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Android automated test input generation has been a highly researched topic for over a decade and has shown promising results with a variety of approaches. Random input generation is commonly used and the easiest to maintain, but ultimately inefficient. Systematic and search-based approaches produce effective tests but require a disproportionally large generation runtime. Model-based approaches have the additional overhead of modelling the application under test (AUT) but they result in a faster test generation. In this paper we present Precise AnDRoid Automated Input Generation (PADRAIG), a model-based test input generation framework that uses a detailed control flow model of the AUT to generate tests that can achieve higher line coverage, with a lower test generation runtime than the state of the art. We compare the line coverage achieved, and the generation runtime of PADRAIG against 3 state of the art tools, each of which uses a different test input generation technique. Our results, using 19 randomly selected Android apps from the F-Droid application store, show that PADRAIG achieves, on average, 16% more coverage of the AUT than the state of the art and it can generate tests with, on average, 84% less runtime.
- Abstract(参考訳): Androidの自動テスト入力生成は10年以上にわたって非常に研究されてきたトピックであり、様々なアプローチによる有望な結果を示している。
ランダムな入力生成は一般的に使われ、維持するのが最も簡単であるが、最終的には非効率である。
体系的および探索的アプローチは効果的なテストを生成するが、不均等に大規模な世代実行を必要とする。
モデルベースのアプローチは、テスト中のアプリケーションのモデリング(AUT)のオーバーヘッドが増大するが、結果としてテスト生成が高速化される。
本稿では,AUTの詳細な制御フローモデルを用いたモデルベーステスト入力生成フレームワークであるPrecise AnDRoid Automated Input Generation (PADRAIG)を提案する。
PADRAIGのラインカバレッジと生成ランタイムを3つの最先端ツールと比較し、それぞれ異なるテストインプット生成技術を用いて比較する。
F-Droidアプリケーションストアからランダムに選択された19のAndroidアプリを用いて、PADRAIGは、最先端のアプリケーションよりも平均して16%のAUTカバレッジを実現し、平均84%のランタイムでテストを生成することができた。
関連論文リスト
- Modelling Android applications through static analysis and systematic exploratory testing [2.3074667378396807]
DroidGraphは、Androidアプリケーションの包括的な制御フローモデルを生成するフレームワークである。
効率的な探索テストは345回のランダムな探索よりも18%多くアプリケーションと相互作用することを示します。
論文 参考訳(メタデータ) (2026-07-31T19:18:18Z) - Efficient Dynamic Test Case Generation for Path-Based Coverage Criteria [2.099922236065961]
4つのホワイトボックスパスベースのカバレッジ基準を満たす新しいテストケース生成手法を提案する。
提案手法はジョンソンアルゴリズムの修正版に基づいており, テストケースを段階的に, オンデマンドで生成することができる。
論文 参考訳(メタデータ) (2026-02-21T09:26:23Z) - Alignment with Fill-In-the-Middle for Enhancing Code Generation [56.791415642365415]
コードスニペットを小さな粒度のブロックに分割し,同じテストケースからより多様なDPOペアを生成する手法を提案する。
提案手法は,HumanEval (+), MBPP (+), APPS, LiveCodeBench, BigCodeBenchといったベンチマークデータセットの実験によって検証された,コード生成タスクの大幅な改善を示す。
論文 参考訳(メタデータ) (2025-08-27T03:15:53Z) - Sample, Don't Search: Rethinking Test-Time Alignment for Language Models [55.2480439325792]
新しいテストタイムアライメントアプローチであるQAlignを紹介します。
テスト時間計算をスケールする際、QAlignは各プロンプトの最適配向分布からのサンプリングに収束する。
マルコフ連鎖モンテカルロのテキスト生成における最近の進歩を取り入れることで、基礎となるモデルを変更したり、ロジットアクセスを必要とせずに、より良い整合出力を可能にする。
論文 参考訳(メタデータ) (2025-04-04T00:41:40Z) - Type-aware LLM-based Regression Test Generation for Python Programs [13.631541369653066]
Test4PyはPythonの自動テスト生成における型正しさを高める新しいフレームワークである。
Test4Pyは、生成したテストケースを段階的に洗練してカバレッジを改善する反復的な修復手順を統合する。
実世界のPythonモジュール183の評価において、Test4Pyは平均ステートメントカバレッジ83.0%、ブランチカバレッジ70.8%を達成した。
論文 参考訳(メタデータ) (2025-03-18T08:07:17Z) - CUBETESTERAI: Automated JUnit Test Generation using the LLaMA Model [0.5999777817331317]
本稿では,Spring Bootフレームワークを使用したJavaアプリケーションのJUnitテスト生成を自動化するアプローチを提案する。
CUBETESTERAIと呼ばれるツールには、ユーザフレンドリーなWebインターフェースと、GitLabとDockerを使用したCI/CDパイプラインの統合が含まれている。
論文 参考訳(メタデータ) (2025-03-13T19:44:09Z) - On the Energy Consumption of Test Generation [0.8749675983608172]
本研究では,EvoSuiteが生成したテストの実行時に消費するエネルギーと,生成したテストケースの実行時に消費するエネルギーを計測する。
その結果、異なるテスト生成アルゴリズムは、特に高サイクロマティックな複雑性を持つクラスにおいて、異なる量のエネルギーを消費したことが明らかとなった。
論文 参考訳(メタデータ) (2025-01-16T16:52:55Z) - Neural Embeddings for Web Testing [49.66745368789056]
既存のクローラは、状態等価性を評価するために、アプリ固有のしきい値ベースのアルゴリズムに依存している。
ニューラルネットワークの埋め込みとしきい値のない分類器に基づく新しい抽象関数WEBEMBEDを提案する。
WEBEMBEDは,9つのWebアプリケーションに対する評価の結果,近距離検出により最先端技術よりも精度が高いことがわかった。
論文 参考訳(メタデータ) (2023-06-12T19:59:36Z) - BiasTestGPT: Using ChatGPT for Social Bias Testing of Language Models [73.29106813131818]
テスト文は限られた手動テンプレートから生成されるか、高価なクラウドソーシングを必要とするため、現時点ではバイアステストは煩雑である。
ソーシャルグループと属性の任意のユーザ指定の組み合わせを考慮し、テスト文の制御可能な生成にChatGPTを使うことを提案する。
本稿では,HuggingFace上にホストされているオープンソースの総合的バイアステストフレームワーク(BiasTestGPT)について紹介する。
論文 参考訳(メタデータ) (2023-02-14T22:07:57Z) - ELMER: A Non-Autoregressive Pre-trained Language Model for Efficient and
Effective Text Generation [97.64625999380425]
事前学習言語モデル(PLM)のアプローチによるテキスト生成タスクについて検討する。
早期出口技術を活用することで、ELMERは予測信頼度に応じて異なるレイヤでのトークン生成を可能にする。
3つのテキスト生成タスクの実験では、EMMERはNARモデルよりも大幅に優れていた。
論文 参考訳(メタデータ) (2022-10-24T14:46:47Z) - TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision [70.05605071885914]
本研究では,単体テストサンプルに適用可能な自己教師付きトレーニングアルゴリズムSwaVの新たな改良を提案する。
ベンチマークデータセットCIFAR10-Cにおいて,本手法の有効性を示す。
論文 参考訳(メタデータ) (2022-05-18T05:43:06Z) - Supervised Learning for Coverage-Directed Test Selection in
Simulation-Based Verification [0.0]
本稿では,自動制約抽出とテスト選択のための新しい手法を提案する。
カバレッジ指向のテスト選択は、カバレッジフィードバックからの教師付き学習に基づいている。
本稿では,手作業による制約記述の低減,効果的なテストの優先順位付け,検証資源の消費の低減,大規模で実生活のハードウェア設計におけるカバレッジ閉鎖の促進について述べる。
論文 参考訳(メタデータ) (2022-05-17T17:49:30Z) - POINTER: Constrained Progressive Text Generation via Insertion-based
Generative Pre-training [93.79766670391618]
ハードコントラストテキスト生成のための新しい挿入ベースアプローチであるPOINTERを提案する。
提案手法は,既存のトークン間で段階的に新しいトークンを並列に挿入することによって動作する。
結果として生じる粗大な階層構造は、生成プロセスを直感的で解釈可能である。
論文 参考訳(メタデータ) (2020-05-01T18:11:54Z)
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。