論文の概要: Uncovering Systematic Blind Spots in Graph Database Testing through Integration and Process-Level Analysis

• arxiv url: http://arxiv.org/abs/2611.07754v1
• Date: Thu, 05 Nov 2026 10:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.647603
• Title: Uncovering Systematic Blind Spots in Graph Database Testing through Integration and Process-Level Analysis
• Title（参考訳）: 統合とプロセスレベル分析によるグラフデータベーステストにおける系統的ブラインドスポットの発見
• Abstract要約: 12時間のテストで数千のバグレポートが生成され、成熟したデータベースに含まれそうな真の欠陥の数よりもはるかに多いことが示されています。 最近オープンソース化されたインダストリアルグラフデータベースであるNeuGにGraphWeaveを適用しました。 控えめな手作業で、GraphWeaveは19の既知のバグを明らかにした。
• 参考スコア（独自算出の注目度）: 17.342569212664003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph databases are becoming foundational infrastructure for connected data, and a growing body of automated testing techniques has uncovered many bugs across mature graph database systems. Each technique checks a different aspect of correctness and exposes a different class of defect. Combining them is the natural next step, but each technique is judged by the real bugs it finds, not by useless reports or tests that can never fail, and that is what decides whether a developer can afford to fix the problems. To identify the remaining gaps, we integrated test capabilities from 8 testing methods and conducted an empirical study of their behavior, during which we found two blind spots. First, 12 hours of testing produce thousands of bug reports, far more than the number of genuine defects a mature database is likely to contain. Most reports are false positives caused by dialect or pattern-matching differences, and many of the remaining reports are duplicates. Second, analysis of process-level data reveals that many equivalence-based metamorphic test cases lose their ability to detect defects because of the optimization mechanism. Based on these findings, we summarize and realize these guidelines in GraphWeave, an integrated testing platform for graph databases. This includes a multi-agent system that analyzes the flood of bug reports to produce gating rules for issue filtering and adapter rules for dialect adaptation, and a plan-aware triage routes metamorphic pairs by plan, skipping those that share a plan on the same graph state and therefore cannot detect defects. We apply GraphWeave to NeuG, a recently open-sourced industrial graph database that has not been covered by prior graph database testing work. With modest manual effort, GraphWeave uncovers 19 previously unknown bugs, all of which have since been confirmed.
• Abstract（参考訳）: グラフデータベースはコネクテッドデータの基礎的な基盤となりつつあり、多数の自動テスト技術が成熟したグラフデータベースシステムにまたがって多くのバグを発見している。 各テクニックは、異なる正確さの側面をチェックし、異なる種類の欠陥を公開する。 それらを組み合わせることが自然な次のステップですが、各テクニックは、失敗することのないレポートやテストによってではなく、実際のバグによって判断されます。 残りのギャップを特定するために,8つのテスト手法からテスト機能を統合し,その動作に関する実証的研究を行い,その間に2つの盲点が見つかった。 第一に、12時間のテストは何千ものバグレポートを生成し、成熟したデータベースに含まれる真の欠陥の数よりもはるかに多い。 ほとんどの報告は方言やパターンマッチングの違いによる偽陽性であり、残りの報告の多くは重複である。 第2に、プロセスレベルデータの解析により、多くの等価性に基づく変成テストケースが、最適化機構のために欠陥を検出する能力を失っていることが判明した。 これらの知見に基づき,グラフデータベースの統合テストプラットフォームであるGraphWeaveにおいて,これらのガイドラインを要約し,実現した。 これには、バグレポートの洪水を分析して、ダイアログ適応のためのイシューフィルタリングとアダプタルールのゲーティングルールを生成するマルチエージェントシステムと、計画ごとの計画アウェアトリアージ経路のメタモルフィックペアを生成し、同じグラフ状態のプランを共有して欠陥を検出することができないようなものをスキップする。 最近オープンソース化されたインダストリアルグラフデータベースであるNeuGにGraphWeaveを適用しました。 控えめな手作業で、GraphWeaveは19の既知のバグを明らかにした。

関連論文リスト

• Towards Generalist Graph-Level Anomaly Detection [59.36099300879501]
  グラフレベルの異常検出(GLAD)は、多数派から大きく逸脱するグラフを特定することを目的としている。 既存のアプローチは主にデータセット固有のパラダイムに従っており、相当なドメイン内のデータとトレーニングコストを必要とする。 我々は,複数の領域にまたがる異常グラフを検出可能な単一統一モデルを学習するGenGLADを提案する。
  論文  参考訳（メタデータ） (2026-11-05T09:26:57Z)
• Graph-Aware Fuzzing for Graph Database Management Systems [22.261896283072137]
  GDBMSクエリエンジンのためのブラックボックスファジリングフレームワークであるGRAFを提案する。 複雑なグラフ制約の下で有効かつ構造的に多様なクエリを生成する。 実行時間、結果サイズ、システムステータスを含む、実行状態フィードバックによってガイドされる5つのグラフ固有の突然変異演算子を適用します。 GRAFは、各目標において最強のベースラインに対して、ラインカバレッジを31.6%から41.1%改善している。
  論文  参考訳（メタデータ） (2026-07-04T07:08:14Z)
• TA-GGAD: Testing-time Adaptive Graph Model for Generalist Graph Anomaly Detection [17.723876789020565]
  偽ニュース、非準拠ユーザ、悪意のあるトランザクション、悪意のある投稿など、現実の世界におけるかなりの数の異常ノードは、グラフデータエコシステムの健全性を著しく損なう。 複数のデータドメインにまたがる異常は機能に大きな違いを示すが、クロスドメイン検出モデルは深刻なドメインシフト問題に直面している。 本研究では,グラフ異常検出における領域シフトによって現れる特定の特徴ミスマッチパターンを同定し,定量的に解析する。
  論文  参考訳（メタデータ） (2026-03-10T08:30:19Z)
• GraphFuzz: Automated Testing of Graph Algorithm Implementations with Differential Fuzzing and Lightweight Feedback [7.099737083842058]
  グラフアルゴリズム実装のための最初の自動フィードバック誘導ファジィフレームワークであるGraphFuzzを紹介する。 私たちの重要なイノベーションは、コードカバレッジフィードバックと組み合わせたり、完全に置き換えたりする、軽量でアルゴリズム固有のフィードバックシグナルを特定することです。 GraphFuzzは、クラッシュトリガバグとロジックバグの両方を検出するために差分テストを適用している。
  論文  参考訳（メタデータ） (2025-02-21T02:47:05Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• Understanding Factual Errors in Summarization: Errors, Summarizers, Datasets, Error Detectors [105.12462629663757]
  本研究では、既存の9つのデータセットから事実性エラーアノテーションを集約し、基礎となる要約モデルに従ってそれらを階層化する。 本稿では,この階層化ベンチマークにおいて,最近のChatGPTベースの指標を含む最先端の事実性指標の性能を比較し,その性能が様々な種類の要約モデルで大きく異なることを示す。
  論文  参考訳（メタデータ） (2022-05-25T15:26:48Z)
• An epistemic approach to model uncertainty in data-graphs [2.1261712640167847]
  グラフデータベースは、彼らが表現しようとする実世界のデータに関して、エラーや不一致に悩まされる可能性がある。 本研究では,従来の関係データベースに提案されていた確率的不確定グラフデータベースの概念について検討する。 データクリーニングと確率的クエリ応答という2つの計算問題を定義し,その複雑さについて検討する。
  論文  参考訳（メタデータ） (2021-09-29T00:08:27Z)
• Handling Missing Data with Graph Representation Learning [62.59831675688714]
  特徴量計算とラベル予測のためのグラフベースのフレームワークであるGRAPEを提案する。 GRAPEでは,特徴計算をエッジレベル予測タスク,ラベル予測をノードレベル予測タスクとして定式化する。 9つのベンチマークデータセットによる実験結果から、GRAPEは計算タスクの平均絶対誤差を20%低く、ラベル予測タスクを10%低くすることがわかった。
  論文  参考訳（メタデータ） (2020-10-30T17:59:13Z)
• Anomaly Detection in Large Labeled Multi-Graph Databases [16.964960579221238]
  CODETECTは,グラフデータベースの異常検出タスクに,そのような複雑な性質で対処する最初のアプローチである。 3つの異なる企業におけるトランザクショングラフデータベースにおけるCODETECTの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-07T18:41:33Z)
• TACRED Revisited: A Thorough Evaluation of the TACRED Relation Extraction Task [80.38130122127882]
  TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである パフォーマンスの天井に到達したのか、改善の余地はあるのか? ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
  論文  参考訳（メタデータ） (2020-04-30T15:07:37Z)

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。