論文の概要: Scenario-Driven Neuroevolution: Using Models to Guide Test Generation for Games
- arxiv url: http://arxiv.org/abs/2609.28130v1
- Date: Wed, 23 Sep 2026 13:56:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.051748
- Title: Scenario-Driven Neuroevolution: Using Models to Guide Test Generation for Games
- Title（参考訳）: シナリオ駆動型神経進化: ゲームのためのテスト生成のガイドにモデルを使う
- Abstract要約: テストジェネレータは、高度なプログラム状態に到達し、重いプログラムのランダム化に対して堅牢性を確保するために、ゲームをマスターする必要がある。
Neatestは、未発見のステートメントやブランチ毎にネットワークエージェントを生成することを目的とした、ホワイトボックスのテストアプローチである。
ゲームテスタがテストシナリオを定義できるように,Neatestとモデルベースのテストアプローチを組み合わせることを提案する。
- 参考スコア（独自算出の注目度）: 8.148281587668167
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Automatically generating test inputs for games is challenging, as test generators must master the game to reach advanced program states while also ensuring robustness against the heavy program randomisation inherent to games. The test generator Neatest therefore optimises test suites consisting of neural networks that reach advanced program states and are robust to program randomisation, as they generate test inputs dynamically based on the current program state. Neatest is a white-box testing approach that aims to generate a network agent for each yet-uncovered statement or branch of the code using neuroevolution. Due to this iterative test generation approach, the algorithm does not scale well to larger programs that may contain thousands of branches. Furthermore, covering every statement or branch in a game often does not correspond to playing the game as intended. To alleviate these shortcomings, we propose combining Neatest with a model-based testing approach that allows game testers to define test scenarios via abstract game models. The test generator then no longer optimises networks to reach all branches or statements of a program, but instead trains networks to replicate the concrete desired testing behaviour expressed by the abstract game model. An evaluation on 13 Scratch games across varying genres demonstrates that Neatest, combined with model-based testing, is able to optimise agents that replicate the desired gameplay behaviour defined in the game models while increasing achieved branch coverage by 7% compared to the traditional code-guided Neatest approach.
- Abstract（参考訳）: テストジェネレータは、ゲーム固有の重いプログラムランダム化に対して堅牢性を確保しながら、先進的なプログラム状態に到達するようにゲームをマスターする必要があるため、ゲームの自動的なテストインプットの生成は困難である。
したがって、テストジェネレータNeatestは、現在のプログラム状態に基づいてテスト入力を動的に生成するため、先進的なプログラム状態に到達し、プログラムのランダム化に堅牢なニューラルネットワークからなるテストスイートを最適化する。
Neatestは、ニューロエボリューションを使用して、未発見のステートメントやコードのブランチ毎にネットワークエージェントを生成することを目的とした、ホワイトボックスのテストアプローチである。
この反復的なテスト生成アプローチにより、このアルゴリズムは数千の分岐を含むかもしれないより大きなプログラムにうまくスケールしない。
さらに、ゲーム内のすべてのステートメントやブランチをカバーすることは、意図したゲームと一致しないことが多い。
これらの欠点を軽減するために、我々はNeatestとモデルベースのテストアプローチを組み合わせることを提案し、ゲームテスタは抽象的なゲームモデルを通してテストシナリオを定義することができる。
テストジェネレータは、もはやプログラムのすべてのブランチやステートメントに到達するためにネットワークを最適化せず、代わりに抽象ゲームモデルで表現された具体的なテスト動作を再現するためにネットワークをトレーニングする。
様々なジャンルにわたる13のScratchゲームの評価によると、Neatestはモデルベースのテストと組み合わせて、ゲームモデルで定義されたゲームプレイ動作を再現するエージェントを最適化し、従来のコード誘導型Neatestアプローチと比較して7%のブランチカバレッジを達成した。
関連論文リスト
- GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents [76.60994803070436]
GameWorldは、ブラウザ環境におけるマルチモーダル大言語モデル(MLLM)ゲームエージェントの評価のためのベンチマークである。
2つのゲームエージェントインタフェースが研究され、 (i) キーボードとマウスのコントロールを直接出力するコンピュータ利用エージェント、 (ii) セマンティックアクション空間で作用する汎用マルチモーダルエージェントが研究されている。
18組のモデルとインタフェースのペアによる結果は、最高のパフォーマンスエージェントでさえ、ビデオゲームで人間の能力を達成するには程遠いことを示唆している。
論文 参考訳（メタデータ） (2026-04-08T17:49:03Z) - Scaling Agentic Verifier for Competitive Coding [66.11758166379092]
大規模言語モデル(LLM)は強力なコーディング能力を示しているが、1回の試行で競合するプログラミング問題を正しく解くのに苦戦している。
実行ベースの再ランク付けは、有望なテスト時間スケーリング戦略を提供するが、既存のメソッドは、難しいテストケースの生成または非効率的なランダム入力サンプリングによって制約される。
本稿では,プログラムの動作を積極的に推論し,高い差別性のあるテスト入力を検索するエージェント検証手法を提案する。
論文 参考訳（メタデータ） (2026-02-04T06:30:40Z) - ATGen: Adversarial Reinforcement Learning for Test Case Generation [78.48498301767079]
大きな言語モデル(LLM)はコード生成に優れていますが、その出力には微妙なバグが伴います。
既存のテスト生成方法は静的データセットに依存している。
我々は,対戦型強化学習を通じてテストケースジェネレータを訓練するフレームワークであるATGenを紹介する。
論文 参考訳（メタデータ） (2025-10-16T12:49:25Z) - Enhancing NeuroEvolution-Based Game Testing: A Branch Coverage Approach for Scratch Programs [0.0]
本稿では,自動ゲームテストにおけるテスト効率を向上させるために,分岐カバレッジに基づくフィットネス機能を提案する。
神経進化過程を導いて枝探索の最大化を図り、制御依存の枝を優先する枝適合機能を統合することでNEATESTを拡張した。
論文 参考訳（メタデータ） (2025-07-12T22:36:47Z) - Online Test Synthesis From Requirements: Enhancing Reinforcement Learning with Game Theory [1.363146160329157]
リアクティブ実装の自動化として指定された機能要件からブラックボックステストケースの自動オンライン合成を検討する。
提案手法はモンテカルロ木探索(モンテカルロ木探索)を応用し,予測入力を効率的に選択するための強化学習の古典的手法である。
論文 参考訳（メタデータ） (2024-07-26T07:59:59Z) - Combining Neuroevolution with the Search for Novelty to Improve the Generation of Test Inputs for Games [9.465831527115235]
ゲームが従来の自動ホワイトボックステストジェネレータに挑戦するとき、Neatestは、ゲームをすることでソースコードを動作させるニューラルネットワークからなるテストスイートを生成する。
本研究は,探索中の新しい行動を促進することで,フィットネスランドスケープの課題に対処できるかどうかを考察する。
論文 参考訳（メタデータ） (2024-07-06T07:36:44Z) - FuzzAug: Data Augmentation by Coverage-guided Fuzzing for Neural Test Generation [7.310817657037053]
本稿では,ファジィ化の利点を大規模言語モデルに導入する新しいデータ拡張手法FuzzAugを提案する。
FuzzAugはベースラインからパフォーマンスを大幅に改善する。
論文 参考訳（メタデータ） (2024-06-12T22:09:27Z) - Boosted Dynamic Neural Networks [53.559833501288146]
典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。
モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。
トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。
EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
論文 参考訳（メタデータ） (2022-11-30T04:23:12Z) - Fault-Aware Neural Code Rankers [64.41888054066861]
サンプルプログラムの正しさを予測できる故障認識型ニューラルネットワークローダを提案する。
我々のフォールト・アウェア・ローダは、様々なコード生成モデルのpass@1精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-06-04T22:01:05Z) - Imputer: Sequence Modelling via Imputation and Dynamic Programming [101.5705527605346]
Imputerは反復生成モデルであり、入力トークンや出力トークンの数に依存しない一定の数の生成ステップしか必要としない。
本稿では,ログ限界確率の低い動的プログラミング学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-20T18:21:30Z)
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。