論文の概要: A Leakage-Safe, Cost-Aware Regression Testing Methodology for the Quantum Transpiler

• arxiv url: http://arxiv.org/abs/2609.35834v1
• Date: Thu, 24 Sep 2026 01:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.856278
• Title: A Leakage-Safe, Cost-Aware Regression Testing Methodology for the Quantum Transpiler
• Title（参考訳）: 量子トランスパイラのリークセーフでコストを考慮した回帰テスト手法
• Abstract要約: 継続的インテグレーション(CI)は、固定予算の下で、大規模でコストの不均一なスイートからテストを選択および優先順位付けする必要があります。 本稿では,Qiskit量子トランスパイラに対するリークセーフでコストを考慮した回帰-テスト-選択手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum SDKs such as Qiskit are revised continually, and a single transpiler-pass change can introduce a software regression, so continuous integration (CI) must select and prioritize tests from a large, cost-heterogeneous suite under a fixed budget. We present a leakage-safe, cost-aware regression-test-selection methodology for the Qiskit quantum transpiler, with a pre-registered, budget binding evaluation that avoids data leakage. The evaluation uses a cost-heterogeneous corpus (116 units, per-unit cost spread 9,945X, T_full = 69.17 s) whose budgets were fixed from measured cost before any test-oracle label was read. A transparent risk_score selector does not beat simple test case-prioritization baselines: mean detection-vs-budget AUC is 0.721 [95% CI 0.44, 0.94] versus 0.874 [0.65, 1.00] for diversity-only (Cliff's δ = -0.64, large), with cost/history/change-stage baselines at 0.840 and random at 0.821. A component ablation shows the composite underperforms its own best signal: diversity and novelty, not severity or cost, are the effective signal. A second, independently pre-registered evaluation (19 mutation-testing events: nine original plus ten new, verified operators) tests the decomposed, diversity-first selector this mechanism implies: it closes the gap to the strongest baseline to a negligible effect size (0.880 vs 0.880, δ = -0.08) while decisively beating the original composite (0.880 vs 0.768, δ = +0.57). Two verified forward-regression events from real Qiskit CI history corroborate it, reported per event, not pooled, under a pre-declared claim-scope rule. We report the negative result as an honest, pre-registered finding with its mechanism. All code, data, and artifacts from this empirical software engineering study are released for reproducibility.
• Abstract（参考訳）: Qiskitのような量子SDKは継続的に修正され、単一のトランスパイラパスの変更がソフトウェアレグレッションを導入する可能性があるため、継続的インテグレーション(CI)は、固定予算の下で大規模なコスト不均一なスイートからテストを選択し、優先順位付けする必要がある。 本稿では,Qiskit量子トランスパイラに対するリークセーフでコストを意識した回帰-テスト-選択手法を提案する。 評価にはコスト不均一なコーパス(116ユニット、1ユニットあたりのコストスプレッド9,945X, T_full = 69.17 s)を使用し、その予算は試験管ラベルを読む前に測定コストから固定された。 平均的な検出-vs-予算 AUC は 0.721 [95% CI 0.44, 0.94] に対して 0.874 [0.65, 1.00] は多様性のみ (Cliff's δ = -0.64, large) であり、コスト/ヒストリー/変更ステージベースラインは 0.840 で、ランダムは 0.821 である。 成分のアブレーションは、合成物が自身の最良のシグナルを過小評価していることを示している:多様性と新規性は、重大さやコストではなく、効果的信号である。 第二に、独立に事前登録された評価(19個の突然変異試験イベント:9個の原型+10個の新しい検証された演算子) このメカニズムは、分解された多様性優先のセレクタで、最も強いベースラインとのギャップを無視可能な効果サイズ(0.880 vs 0.880, δ = -0.08)に閉じ、元の合成体(0.880 vs 0.768, δ = +0.57)を決定的に打ち負かす。 実際のQiskit CI履歴から確認された2つの前方回帰イベントは、事前に宣言されたクレームスコープルールの下で、プールされていないイベント毎の報告と相関している。 本報告では, 否定的な結果が, そのメカニズムを用いて, 誠実かつ事前登録された発見であると報告する。 この経験的ソフトウェア工学の研究から得られたコード、データ、アーティファクトはすべて再現性のためにリリースされている。

関連論文リスト

• The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
  本研究は, ベットによる検査に基づく漏洩検出について検討する。 13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
  論文  参考訳（メタデータ） (2026-09-27T14:14:10Z)
• Learning to Fluctuate: Statistical Foundations for Causal Tabular Pretraining [8.401473551081748]
  本研究では,固定配置人口に必要となる繰り返しサンプル応答を符号化した揺らぎ制御事前訓練(FSP)を導入する。 FSPは、温かいワンスレッドベンチマークでテーブル毎の11.6Times$高速にデプロイします。 2つのランダム化されたスタディ評価は、低いRMSEが残留減衰と共存できることを示している。
  論文  参考訳（メタデータ） (2026-09-22T12:03:30Z)
• Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
  各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
  論文  参考訳（メタデータ） (2026-07-29T08:00:49Z)
• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• From Correlation to Cause: A Five-Stage Methodology for Feature Analysis in Transformer Language Models [0.0]
  変換言語モデルにおける因果的特徴分析のための5段階の手法を提案する。 Indirect Object Identification (IOI) タスクを実行するGPT-2のエンド・ツー・エンドを実証する。
  論文  参考訳（メタデータ） (2026-05-21T13:25:16Z)
• Are Benchmark Tests Strong Enough? Mutation-Guided Diagnosis and Augmentation of Regression Suites [49.16055123488827]
  十分に強力なテストスイートは、報告された成功率を膨らませながら、妥当だが意味的に正しくないパッチを認めることができる。 STINGは、意味的に変化するプログラムの変種を診断ストレス要因として利用する、ターゲットテスト拡張のためのフレームワークである。 STINGは211インスタンスにまたがる1014の検証テストを生成し、パッチリージョンラインとブランチカバレッジを10.8%、9.5%向上させた。
  論文  参考訳（メタデータ） (2026-04-02T01:13:40Z)
• AgentAssay: Token-Efficient Regression Testing for Non-Deterministic AI Agent Workflows [0.0]
  AgentAssayは、非決定論的AIエージェントを回帰テストするための最初のトークン効率のよいフレームワークである。 厳密な統計保証を維持しながら78-100%のコスト削減を実現している。
  論文  参考訳（メタデータ） (2026-03-03T04:59:25Z)
• I Detect What I Don't Know: Incremental Anomaly Learning with Stochastic Weight Averaging-Gaussian for Oracle-Free Medical Imaging [2.384534878752428]
  異常ラベルを使わずに,信頼度の高い正規サンプル群を漸進的に拡張する,教師なしのオラクルフリーフレームワークを導入する。 凍結した事前訓練された視覚バックボーンは、小さな畳み込みアダプタで拡張され、無視できる計算オーバーヘッドを伴う高速なドメイン適応が保証される。 COVID-CXRでは、ROC-AUCは0.9489から0.9982に改善され、肺炎CXRでは0.6834から0.8968に上昇し、脳MRIではND-5では0.6041から0.7269に上昇する。
  論文  参考訳（メタデータ） (2025-11-05T23:28:14Z)
• The Good, the Bad, and the Sampled: a No-Regret Approach to Safe Online Classification [25.36548531839979]
  本研究は, リスクが未知のロジスティックモデルによって管理される2次性疾患の結果に対して, 個人を順次検査する問題について考察する。 我々のゴールは、必要となるコストのかかるテストの総数を最小限に抑えながら、誤分類のごく一部が予め特定されたエラー耐性を超えないことを保証することです。 これにより、エラー制約のあるロジスティックテストに対する最初のノンレグレット保証が確立され、コストセンシティブな医療スクリーニングに直接適用される。
  論文  参考訳（メタデータ） (2025-10-01T15:28:00Z)
• 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。