論文の概要: DJPlus: Generating minimal test suites for strong coverage criteria in graph models

• arxiv url: http://arxiv.org/abs/2609.08953v1
• Date: Tue, 08 Sep 2026 16:10:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 15:12:10.555097
• Title: DJPlus: Generating minimal test suites for strong coverage criteria in graph models
• Title（参考訳）: DJPlus: グラフモデルにおける強力なカバレッジ基準のための最小限のテストスイートの生成
• Abstract要約: モデルベースのテストでは、グラフカバレッジはテストスイートの強度を保証するが、テスト中のシステムで実行するのに時間がかかる長いテストケースも生じる。 そこで本稿では,グラフベースのテスト要件を満たしつつ,テストスイートの削減を図った新しい最適化手法DJPlusを提案する。
• 参考スコア（独自算出の注目度）: 2.5836862608084936
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated test generation from graph models is essential to model-based testing. In this type of testing, graph coverage ensures test suite strength but also results in long test cases that take time to execute on the system under test. We propose a novel optimization-driven method, DJPlus, which generates reduced test suites while satisfying given graph-based test requirements. We implement DJPlus and show the feasibility of edge-pair criterion, a stronger coverage criterion than vertex or edge criteria, on four realistic systems, while prime path criterion poses scalability issues. Our evaluation reveals that the alternative methods generate 2 to 26 times more redundant test steps than DJPlus and DJPlus decreases test execution times by reducing the number of test steps. These results show that DJPlus is a positive step towards tackling the challenges of model-based testing at an industrial scale.
• Abstract（参考訳）: グラフモデルからの自動テスト生成は、モデルベースのテストには不可欠である。 この種のテストでは、グラフカバレッジはテストスイートの強度を保証しますが、テスト中のシステムで実行するのに時間がかかる長いテストケースも生じます。 そこで本稿では,グラフベースのテスト要件を満たしつつ,テストスイートの削減を図った新しい最適化手法DJPlusを提案する。 DJPlusを実装し、4つの現実的なシステムにおいて、頂点やエッジ基準よりも強いカバレッジ基準であるエッジペア基準の実現可能性を示し、プライマリパス基準はスケーラビリティの問題を引き起こす。 DJPlusとDJPlusの2～26倍の冗長なテストステップを生成し,テストステップ数を削減してテスト実行時間を短縮した。 これらの結果から, DJPlusは, 産業規模でのモデルベーステストの課題に取り組むための肯定的なステップであることが示された。

関連論文リスト

• MIST-RL: Mutation-based Incremental Suite Testing via Reinforcement Learning [19.054149750597933]
  MIST-RL (Mutation-based Incremental Suite Testing via Reinforcement Learning) は、"スケーリング・バイ・ユーティリティ(scaling-by-utility)"に重点を移すフレームワークである。 我々は,機能的に等価なアサーションを抑えながら,新たな欠陥を発見するモデルにインセンティブを与える,動的ペナルティと組み合わされた新たなインクリメンタル突然変異報酬を導入する。 HumanEval+とMBPP+の実験は、MIST-RLが最先端のベースラインより優れていることを示した。
  論文  参考訳（メタデータ） (2026-03-02T03:22:44Z)
• Benchmark Designers Should "Train on the Test Set" to Expose Exploitable Non-Visual Shortcuts [49.99400612296149]
  強力な視覚的理解なしに、モデルが多くのベンチマークを達成できることがわかりました。 これは視覚的な入力を意図した視覚中心のベンチマークでは特に問題となる。 ベンチマーク設計には診断原則を採用しており、もしベンチマークをゲーム化できれば、それをゲーム化します。
  論文  参考訳（メタデータ） (2025-11-06T18:43:21Z)
• Scalable Similarity-Aware Test Suite Minimization with Reinforcement Learning [6.9290255098776425]
  TripRLは、多種多様なテストスイートを高いテスト効率で生成する新しい技術である。 本稿では,TripRLのランタイムは,Multi-Criteria Test Suite Minimization問題の規模と線形にスケール可能であることを示す。
  論文  参考訳（メタデータ） (2024-08-24T08:43:03Z)
• Precise Error Rates for Computationally Efficient Testing [67.30044609837749]
  本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。 線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
  論文  参考訳（メタデータ） (2023-11-01T04:41:16Z)
• 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)
• Sequential Kernelized Independence Testing [77.237958592189]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• Test2Vec: An Execution Trace Embedding for Test Case Prioritization [12.624724734296342]
  テストケースの実行トレースは、自動テストタスクの振る舞いを抽象化するよい代替手段になり得る。 本稿では,テスト実行トレースを潜在空間にマッピングする新しい埋め込み手法Test2Vecを提案する。 結果より,提案したTPは,第1検体の平均正規化ランクを41.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2022-06-28T20:38:36Z)
• 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)
• Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
  テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。 また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
  論文  参考訳（メタデータ） (2022-04-06T06:39:40Z)
• TestRank: Bringing Order into Unlabeled Test Instances for Deep Learning Tasks [14.547623982073475]
  ディープラーニングシステムはテストやデバッグが難しいことで有名です。 テストコスト削減のために、テスト選択を行い、選択した“高品質”バグ修正テストインプットのみをラベル付けすることが不可欠である。 本稿では,未ラベルのテストインスタンスに,バグ検出機能,すなわちTestRankに従って順序を付ける新しいテスト優先順位付け手法を提案する。
  論文  参考訳（メタデータ） (2021-05-21T03:41:10Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)

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。