Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Visualizing and Understanding Nonnegativity Constrained Sparse Autoencoder in Deep Learning Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Classifying Mutants with Decomposition Kernel

verfasst von : Joanna Strug, Barbara Strug

Erschienen in: Artificial Intelligence and Soft Computing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The paper deals with the problem of reducing the cost of mutation testing using artificial intelligence methods. The presented approach is based on the similarity of mutants. The mutants are coded as control flow diagrams representing the programs structure, variables and conditions. The similarity is then calculated with the use of a new graph kernel and used to predict if a given test case detects a mutant or not. The prediction process is performed by a classification algorithm. Experimental results are also presented in this paper on the basis of two systems.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Hidden Markov Model with Controlled Non-parametric Emissions
Nächstes Kapitel On Optimal Wavelet Bases for Classification of Melanoma Images Through Ensemble Learning
Literatur
1.
Aichernig, B.K., Auer, J., Jöbstl, E., Korošec, R., Krenn, W., Schlick, R., Schmidt, B.V.: Model-based mutation testing of an industrial measurement device. In: Seidl, M., Tillmann, N. (eds.) TAP 2014. LNCS, vol. 8570, pp. 1–19. Springer, Heidelberg (2014)
2.
Acree, A.T.: On mutation, PhD Thesis, Georgia Institute of Technology, Atlanta, Georgia (1980)
3.
Agrawal, R., Imielinski, T., Swami, A.: Mining association rules between sets of items in large databases. In: Proceedings of SIGMOD 1993, pp. 207–216 (1993)
4.
Andrews, J.H., Briand, L.C., Labiche, Y.: Is mutation an appropriate tool for testing experiments? In: Proceedings of ICSE, pp. 402–411 (2005)
5.
Borgwardt, K.M., Kriegel, H.P.: Shortest-path kernels on graphs. In: Proceedings of ICDM 2005, pp. 74–81 (2005)
6.
Bunke, H., Riesen, K.: Recent advances in graph-based pattern recognition with applications in document analysis. Pattern Recognit. 44(5), 1057–1067 (2011)CrossRefMATH
7.
Ji, C., Chen, Z., Xu, B., Zhao, Z.: A novel method of mutation clustering based on domain analysis. In: Proceedings of the 21st International Conference on Software Engineering and Knowledge Engineering (2009)
8.
Chevalley, P., Thévenod-Fosse, P.: A mutation analysis tool for Java programs. Int. J. Softw. Tools Technol. Transf. 5(1), 90–103 (2002)CrossRef
9.
Collins, M., Duffy, N.: New ranking algorithms for parsing and tagging, kernels over discrete structures, and the voted perceptron. In: Proceedings of ACL 2002 (2002)
10.
DeMillo, R.A., Lipton, R.J., Sayward, F.G.: Hints on test data selection: help for the practicing programmer. Computer 11(4), 34–41 (1978)CrossRef
11.
12.
Gartner, T.: Kernels for Structured Data. Machine Perception and Artificial Intelligence, vol. 72. World Scientific, London (2009)
13.
Han, J., Pei, J., Yin, Y., Mao, R.: Mining frequent patterns without candidate generation: a frequent-pattern tree approach. Data Min. Knowl. Discov. Int. J. 8(1), 53–87 (2004)MathSciNetCrossRef
14.
Haussler, D.: Convolutional kernels on discrete structures, Technical report UCSC-CRL-99-10. Computer Science Department, UC Santa Cruz (1999)
15.
Howden, W.E.: Weak mutation testing and completeness of test sets. IEEE Trans. Softw. Eng. 8, 371–379 (1982)CrossRef
16.
Hussain, S.: Mutation clustering, Masters thesis, Kings College London, Strand, London (2008)
17.
Inokuchi, A., Washio, T., Motoda, H.: An apriori-based algorithm for mining frequent substructures from graph data. In: Zighed, D.A., Komorowski, J., Żytkow, J.M. (eds.) PKDD 2000. LNCS (LNAI), vol. 1910, pp. 13–23. Springer, Heidelberg (2000)CrossRef
18.
Jia, Y., Harman, M.: An analysis and survey of the development of mutation testing. IEEE Trans. Softw. Eng. 37(5), 649–678 (2011)CrossRef
19.
Kashima, H., Tsuda, K., Inokuchi, A.: Marginalized kernels between labeled graphs. In: ICML 2003, pp. 321–328 (2003)
20.
Liwicki, M., Bunke, H., Pittman, J.A., Knerr, S.: Combining diverse systems for handwritten text line recognition. Mach. Vis. Appl. 22(1), 39–51 (2011)CrossRef
21.
Liwicki, M., Schlapbach, A., Bunke, H.: Automatic gender detection using on-line and off-line information. Pattern Anal. Appl. 14(1), 87–92 (2011)MathSciNetCrossRef
22.
Ma, Y., Offutt, J., Kwon, Y.R.: MuJava: a mutation system for Java. In: Proceedings of ICSE 2006, pp. 827–830 (2006)
23.
Mathur, A.P.: Performance, effectiveness, and reliability issues in software testing. In: Proceedings of COMPSAC 1991, pp. 604–605 (1991)
24.
Mathur, A.P., Krauser, E.W.: Mutant unification for improved vectorization, Purdue University, West Lafayette, IN, Technique report SERC-TR-14-P (1988)
25.
Myers, G., Sandler, C., Badgett, T.: The Art of Software Testing. Wiley, Hoboken (2011)
26.
Offutt, J., Untch, R.H.: Mutation 2000: uniting the orthogonal. In: Proceedings of Mutation Testing in the Twentieth and the Twenty First Centuries, pp 45–55 (2000)
27.
Radu, V.: Application. In: Radu, V. (ed.) Stochastic Modeling of Thermal Fatigue Crack Growth. ACM, vol. 1, pp. 63–70. Springer, Heidelberg (2015)
28.
Roman, A.: Testing and software quality. In: PWN (2015) (in Polish)
29.
Schlkopf, B.: A Short Introduction to Learning with Kernels. LNAI, vol. 2600, pp. 41–64. Springer, Heidelberg (2003)
30.
Schlkopf, B., Smola, A.J.: Learning with Kernels. MIT Press, Cambridge (2002)
31.
Strug, B., Slusarczyk, G.: Frequent pattern mining in a design supporting system. Key Eng. Mater. 450, 1–4 (2011)CrossRef
32.
Strug, J.: Classification of mutation operators applied to design models. Key Eng. Mater. 572, 539–542 (2014)CrossRef
33.
Strug, J.: Mutation testing approach to evaluation of design models. Key Eng. Mater. 572, 543–546 (2014)CrossRef
34.
Strug, J., Strug, B.: Machine learning approach in mutation testing. In: Nielsen, B., Weise, C. (eds.) ICTSS 2012. LNCS, vol. 7641, pp. 200–214. Springer, Heidelberg (2012)CrossRef
35.
Strug, J., Strug, B.: Using structural similarity to classify tests in mutation testing. Appl. Mech. Mater. 378, 546–551 (2013)CrossRef
36.
Untch, R.H.: Mutation-based software testing using program schemata. In: Proceedings of the 30th Annual Southeast Regional Conference, pp. 285–291 (1992)
37.
Yan, X., Yu, P.S., Han, J.: Substructure similarity search in graph databases. In: Proceedings of International Conference on Management of Data (2005)
38.
Yan, X., Yu, P.S., Han, J.: Graph indexing, a frequent structure-based approach. In: Proceedings of International Conference on Management of Data (2004)
Metadaten
Titel
Classifying Mutants with Decomposition Kernel
verfasst von
Joanna Strug
Barbara Strug
Copyright-Jahr
2016
Buch
Artificial Intelligence and Soft Computing

Print ISBN: 978-3-319-39377-3

Electronic ISBN: 978-3-319-39378-0

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-39378-0_55