論文の概要: Where Does the Budget Go? Structural Concentration in Learning-Based Mutant Selection

• arxiv url: http://arxiv.org/abs/2610.06055v1
• Date: Mon, 05 Oct 2026 09:48:28 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:52:05.451767
• Title: Where Does the Budget Go? Structural Concentration in Learning-Based Mutant Selection
• Title（参考訳）: 予算はどこへ進むか : 学習に基づく変異選択における構造的集中
• Abstract要約: ソースライン間で選択を分散するシンプルなモデルに依存しない階層化ステップであるLinePoolを紹介する。 学習ベースの選択は、いくつかのコードロケーションに予算を集中させ、結果として'盲点'、未テストのコードエリアを導入する可能性があることに気付きました。 また、厳格な予算での欠陥の啓示を改善し、不完全な信号やシフト信号に対する選択をより堅牢にする。
• 参考スコア（独自算出の注目度）: 6.12076970091331
• License:
• Abstract: Learning-based mutant selection is used to reduce the cost of mutation testing by ranking and selecting the mutants that seem to be the most promising. Prior work has shown great potential for this approach in fault revelation and subsuming-mutant selection. However, the risks and benefits of these approaches -- especially the distribution of selected mutants across code locations and how that distribution affects behavioral diversity and fault revelation -- remain unclear. We investigate this distribution and its effects, and introduce LinePool, a simple, model-agnostic stratification step that distributes selections across source lines while retaining the underlying ranking signal. Across two datasets and budgets (2% and 5% of the mutants), we find that learning-based selection concentrates the budget on a few code locations, and may thereby systematically introduce 'blind spots', untested code areas, allowing faults to escape detection. On larger programs, the selected mutants also exhibit substantial overlap in kill behavior. LinePool substantially increases spatial coverage and reduces kill-set overlap. It also improves fault revelation at tight budgets and makes selection more robust to imperfect or shifted ranking signals. Comparisons with clustering and established diversification methods show that none consistently outperforms LinePool across datasets, supporting its use as a simple diversification step. In general, our results suggest that behavioral diversity should be considered alongside effectiveness when designing and evaluating mutant-selection methods, and that exploiting structural elements of the program is one simple way to obtain such diversity while maintaining effectiveness.
• Abstract（参考訳）: 学習に基づくミュータント選択は、最も有望と思われるミュータントをランク付けし選択することで、突然変異検査のコストを削減するために使用される。 従来の研究は、フォールト・リベレーションと置換変異選択において、このアプローチに大きな可能性を示してきた。 しかし、これらのアプローチのリスクと利点は、特にコード場所を越えて選択されたミュータントの分布と、その分布が振る舞いの多様性や障害の啓示にどのように影響するかは、はっきりしないままである。 この分布とその効果について検討し、LinePoolを紹介します。LinePoolは、ベースとなるランキング信号を保持しながら、ソースラインに選択を分散するシンプルなモデルに依存しない階層化ステップです。 2つのデータセットと予算(ミュータントの2%と5%)にまたがって、学習ベースの選択は、いくつかのコードロケーションに予算を集中させることで、系統的に'盲点'、未テストのコードエリアを導入し、障害を検出から逃れることを可能にする。 より大きなプログラムでは、選択されたミュータントもキル行動にかなりの重複を示す。 LinePoolは空間カバレッジを大幅に増加させ、キルセットオーバーラップを減らす。 また、厳格な予算での欠陥の啓示を改善し、不完全な信号やシフト信号に対する選択をより堅牢にする。 クラスタリングや確立された多様化手法と比較すると、データセット間でLinePoolを一貫して上回り、単純な多様化ステップとしての使用をサポートするものはありません。 概して,変異選抜法の設計・評価において,行動多様性は有効性とともに考慮されるべきであり,プログラムの構造的要素を活用することは,その効果を維持しつつ,そのような多様性を得るための簡単な方法の1つであることを示唆している。

関連論文リスト

• Augmented Inverse Hybrid Weighting: Robust Inference under Deterministic and Random Distribution Shifts [17.842727239557995]
  本稿では,制度的なシフトを考慮に入れた上で,2つの集団法間の非体系的な変化を可能にする新しいモデルを提案する。 このような残留シフトは、学習可能な方法で表現できない確率空間へのランダムな摂動としてモデル化される。 純粋なランダム摂動の下で、この原理は回帰増強と分散-最適データセットレベルプーリングを使用するAIDW(Augmented Inverse Distance Weighting)をもたらす。 AIDWと標準強調重み付けを補間するAIHW(Augmented Inverse Hybrid Weighting)を開発した。
  論文  参考訳（メタデータ） (2026-08-01T15:02:13Z)
• Quality-Driven Selective Mutation for Deep Learning [0.31498833540989407]
  ディープラーニングのための選択的突然変異は、耐性があり現実的な変異をもたらすオペレータ構成を選択することで、突然変異の生成と実行のコストを削減することを目的としている。 本研究では,2つの相補的軸(抵抗とリアリズム)に沿って変異品質を定量化する確率的枠組みを提案する。 品質駆動的選択は、典型的な抵抗性とリアリズムを保ちながら、生成した突然変異体の数を最大55.6%減少させることを示す。
  論文  参考訳（メタデータ） (2026-04-24T15:15:10Z)
• Continuous Program Search [4.198653054660764]
  潜在距離が振る舞いの意味を持つ連続的なプログラム空間を学習し、進化的アルゴリズムを変更することなくこの構造を利用する突然変異演算子を設計する。 制御された潜在摂動下での行動レベルのばらつきを追跡することで局所性を計測し,行動-局所的連続的な変動に対する経験的信頼領域を同定する。 等方的突然変異は時折高いピーク性能を達成するが、幾何コンパイルされた突然変異はより速く、より信頼性の高い進行をもたらす。
  論文  参考訳（メタデータ） (2026-02-07T18:41:14Z)
• Harnessing Hierarchical Label Distribution Variations in Test Agnostic Long-tail Recognition [114.96385572118042]
  テストラベルの分布の変動は階層的にグローバルレベルとローカルレベルに分解できると主張している。 ラベル分布の異なるDirichletメタ分布に専門家を割り当てる新しいMoE戦略である$mathsfDirMixE$を提案する。 本稿では,分散に基づく正規化による一般化の促進による目的性を示す。
  論文  参考訳（メタデータ） (2024-05-13T14:24:56Z)
• MuRAL: Multi-Scale Region-based Active Learning for Object Detection [20.478741635006116]
  オブジェクト検出のためのマルチスケール領域ベースアクティブラーニング(MuRAL)と呼ばれる新しい手法を提案する。 MuRALは、様々なスケールの情報領域を特定して、よく学習されたオブジェクトのアノテーションコストを削減する。 提案手法は,Cityscapes および MS COCO データセットの粗粒度および細粒度ベースラインを網羅する。
  論文  参考訳（メタデータ） (2023-03-29T12:52:27Z)
• Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated Label Mixing [104.630875328668]
  ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。 両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
  論文  参考訳（メタデータ） (2021-12-16T11:27:48Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• Deep Unsupervised Identification of Selected SNPs between Adapted Populations on Pool-seq Data [4.94950858749529]
  SNPを同定する非監視パイプラインを提案する。 監視された差別者CNNを訓練し、異なる人口からのアライメントを区別します。 我々の解が統計的結果を拡張できることが示される。
  論文  参考訳（メタデータ） (2020-12-28T22:28:44Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)
• Towards Discriminability and Diversity: Batch Nuclear-norm Maximization under Label Insufficient Situations [154.51144248210338]
  Batch Nuclear-norm Maximization (BNM) は、学習シナリオのラベルが不十分な場合の学習を促進するために提案されている。 BNMはライバルより優れており、既存のよく知られた手法でうまく機能する。
  論文  参考訳（メタデータ） (2020-03-27T05:04:24Z)

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。