論文の概要: Grounding Deep Learning Framework Testing in Data Flow

• arxiv url: http://arxiv.org/abs/2610.15808v1
• Date: Sun, 11 Oct 2026 17:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 16:19:01.331036
• Title: Grounding Deep Learning Framework Testing in Data Flow
• Title（参考訳）: データフローにおける深層学習フレームワークのテスト
• Abstract要約: データフローは、自動微分と演算子融合最適化を含むディープラーニング(DL)フレームワークの実行の基盤となる。 既存のテストメソッドは、主に演算子トポロジー、実行時テンソル値とプロパティおよび演算子入力要求を省略するモデルを表す。 実行時テンソル状態と演算子入力要求をキャプチャするためのフローグラフ(TFG)を導入し、そのエッジは値とプロパティを記録します。 データフローに根ざした突然変異ベースの試験手法であるFlowMuTを提案する。FlowMuTは最強のベースラインよりも43.4%高いデータフローの多様性と96.7%の法定突然変異率を実現し、制約のない86.4%と比較した。
• 参考スコア（独自算出の注目度）: 11.720138185746565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data flow underlies deep learning (DL) framework execution, including automatic differentiation and operator-fusion optimization. Bugs involving data flow can cause incorrect results or unexpected behavior. Existing testing methods represent models primarily by operator topology, omitting runtime tensor values and properties and operator input requirements. They therefore cannot distinguish data flows in models with similar topologies, even when these differences affect framework behavior. We introduce the Tensor Flow Graph (TFG) to capture runtime tensor states and operator input requirements. Its nodes represent operators and their input requirements, while its edges record tensor values and properties. Building on the TFG, we propose FlowMuT, a mutation-based testing method grounded in data flow. Mutations are represented as constrained subgraph replacements, with mutation operators derived from prior work and an analysis of mutable data flow objects. In each round, FlowMuT builds a TFG for the seed model, pairs mutation operators with TFG sites, and filters illegal candidates using data flow constraints. It uses LinUCB to select a candidate based on coverage and impact, executes the mutant, updates selection feedback, and uses each accepted mutant as the next seed. We evaluate FlowMuT on PyTorch and MindSpore using representative models from diverse application scenarios. FlowMuT submitted 55 bug reports for cases missed by all baseline methods; developers confirmed 41 reports and fixed the bugs described in 7 reports. FlowMuT achieves 43.4% higher data flow diversity than the strongest baseline and a legal mutant rate of 96.7%, compared with 86.4% without constraints. These results show that testing from a data flow perspective is practical and effective.
• Abstract（参考訳）: データフローは、自動微分と演算子融合最適化を含むディープラーニング(DL)フレームワークの実行の基盤となる。 データフローに関わるバグは、誤った結果や予期しない振る舞いを引き起こす可能性がある。 既存のテストメソッドは、主に演算子トポロジー、実行時テンソル値とプロパティおよび演算子入力要求を省略するモデルを表す。 したがって、同様のトポロジを持つモデルでは、これらの違いがフレームワークの振る舞いに影響を与える場合でも、データフローを区別することはできない。 本研究では、実行時テンソル状態と演算子入力要求をキャプチャするTensor Flow Graph(TFG)を導入する。 ノードは演算子とその入力要求を表現し、エッジはテンソル値とプロパティを記録する。 TFG上に構築したFlowMuTは,データフローをベースとした突然変異ベースのテスト手法である。 突然変異は制約付き部分グラフ置換として表現され、前処理から派生した突然変異演算子と可変データフローオブジェクトの解析がある。 各ラウンドで、FlowMuTはシードモデルのTFGを構築し、変更演算子とTFGサイトをペアにし、データフロー制約を使用して不正な候補をフィルタリングする。 LinUCBを使用して、カバレッジと影響に基づいて候補を選択し、ミュータントを実行し、選択フィードバックを更新し、各ミュータントを次のシードとして使用する。 PyTorch と MindSpore 上の FlowMuT を,様々なアプリケーションシナリオの代表的なモデルを用いて評価する。 開発者は41のレポートを確認し、7のレポートに記載されたバグを修正した。 FlowMuTはデータフローの多様性が最強のベースラインよりも43.4%高く、法的変異率は96.7%であり、制約のない86.4%である。 これらの結果から,データフローの観点からのテストは実用的で効果的であることが示唆された。

関連論文リスト

• FlowCF: Sparse Counterfactual Explanations for Mixed-Type Tabular Data using Flow Matching [0.9109788577327502]
  FlowCFは、CF生成を現実から対象クラスへのスパーストランスポートとしてフレーム化するモデルに依存しない生成方法である。 得られた幾何を利用して、輸送の変化量を最小限に抑えるゲーティングネットワークを通じて、疎結合を最適化する。 6つのベンチマークデータセットの実験では、FlowCFが最高の数値空間性と近接性を生成することが示されている。
  論文  参考訳（メタデータ） (2026-10-06T15:27:23Z)
• FlowPipe: LLM-Enhanced Conditional Generative Flow Networks for Data Preparation Pipeline Construction [43.791981476558384]
  データ準備パイプラインは、生のテーブルを学習可能なデータに変換することによって、機械学習におけるデータ品質を改善する。 既存の最先端(SOTA)マルチDQNメソッドは3つの重要な制限に直面している。 有向非巡回グラフ上での条件付き確率フロー生成としてパイプライン合成を定式化する統合フレームワークであるFlowPipeを提案する。
  論文  参考訳（メタデータ） (2026-06-23T15:10:00Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Rewarding the Scientific Process: Process-Level Reward Modeling for Agentic Data Analysis [68.28714988482703]
  プロセス・リワード・モデル(PRM)は、LLM(Large Language Models)の推論能力を増強することに成功した。 本稿では,一般ドメインのPRMがデータ分析エージェントの監督に苦慮していることを示す。 本稿では,新しい環境対応生成プロセス報酬モデルであるDataPRMを紹介する。
  論文  参考訳（メタデータ） (2026-04-27T09:00:30Z)
• Model Specific Task Similarity for Vision Language Model Selection via Layer Conductance [92.72779885657373]
  本稿では,視覚エンコーダの内部関数力学におけるモデル選択の基盤となるフレームワークを提案する。 提案手法は,各タスクをレイヤワイドコンダクタンスにより表現し,エントロピー正規化アライメントによる目標条件付きブロック重要度分布を導出する。 そこで本研究では,DCD(Directional Conductance Divergence)という,ソースタスクが対象の機能ブロックをいかに効果的にカバーするかを定量化する非対称な指標を提案する。
  論文  参考訳（メタデータ） (2026-02-01T17:29:43Z)
• MathFlow: Enhancing the Perceptual Flow of MLLMs for Visual Mathematical Problems [25.039200070508603]
  MLLM(Multimodal Large Language Models)は、視覚数学的な問題解決において、その可能性を十分に示していない。 問題解決時に使用される情報を4つのコンポーネントに分類するベンチマークであるFlowVerseを開発した。 我々は、知覚と推論を異なる段階に分離するモジュール型問題解決パイプラインであるMathFlowを紹介した。
  論文  参考訳（メタデータ） (2025-03-19T11:46:19Z)
• Everything to the Synthetic: Diffusion-driven Test-time Adaptation via Synthetic-Domain Alignment [81.78901060731269]
  テスト時間適応(TTA)は、これまで見つからなかった、シフトしたターゲットドメイン上でのソースドメイン事前訓練モデルの性能を改善することを目的としている。 従来のTTA手法は、主にターゲットデータストリームに基づいてモデルの重みを適応し、ターゲットデータの量と順序に敏感なモデル性能を実現する。 最近提案された拡散駆動型TTA法は、モデル入力を重みに代えて適応することでこれを緩和し、ソースドメイン上で訓練された無条件拡散モデルにより、ターゲットドメインデータをソースドメインに近似する合成ドメインに変換する。
  論文  参考訳（メタデータ） (2024-06-06T17:39:09Z)
• PaddingFlow: Improving Normalizing Flows with Padding-Dimensional Noise [4.762593660623934]
  パディングフロー(PaddingFlow)は,パディング次元雑音による正規化フローを改善する新しいデクエント化法である。 非条件密度推定の主ベンチマークで本手法の有効性を検証した。 この結果から,PaddingFlowはすべての実験において優れた性能を発揮できることがわかった。
  論文  参考訳（メタデータ） (2024-03-13T03:28:39Z)
• Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
  テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。 代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
  論文  参考訳（メタデータ） (2022-07-07T17:14:10Z)

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。