Мутаційний аналіз та проблеми його використання для моделей машинного навчання

Скорочена інформація про документ
dc.contributor.authorЛебедєв, А. В.
dc.contributor.authorФедорова, Н. В.
dc.date.accessioned2026-05-18T12:52:09Z
dc.date.available2026-05-18T12:52:09Z
dc.date.issued2025
dc.description.abstractУ статті розглянуто особливості застосування мутаційного аналізу до систем машинного навчання (МН). Проведений аналіз засвідчив, що класичне тестування мутаціями не може бути безпосередньо використане до систем з МН без відповідної адаптації. У статті детально описуються основні проблеми, які виникають під час мутаційного аналізу у системах МН, зокрема, визначення поняття «вихідного коду», розробка ефективних та реалістичних операторів мутації, оптимізація швидкодії процесу тестування і необхідність вдосконалення методів оцінки мутаційного покриття. Крім того, стаття розглядає останні дослідження мутаційного аналізу в контексті систем з МН та проводить їх критичний аналіз. У ході дослідження запропоновано низку рекомендацій для дослідників та розробників програмного забезпечення, які дозволять не лише інтегрувати тестування мутаціями до моделей МН, а й зберегти основоположні концепції мутаційного аналізу. Наприклад, обґрунтовано необхідність чіткого розмежування між вихідним кодом і тестовими наборами, створення спеціалізованих операторів мутації та розробка комбінованих метрик для оцінки тестового покриття. Щобільше, розглянуто способи оптимізації обчислювальної складності мутаційного аналізу, які використовуються в наявних інструментах. Запропоновані рішення сприятимуть підвищенню якості тестування моделей МН та забезпеченню більш точної оцінки їхньої надійності. Результати дослідження підкреслюють важливість адаптації класичних методів тестування до особливостей систем МН для підвищення їхньої ефективності та надійності. Висновки визначають напрямки подальших досліджень у цій сфері, зокрема, розробку нових реалістичних операторів мутації, оптимізацію швидкодії тестування та узгодження основних концептуальних аспектів мутаційного аналізу із принципами роботи моделей МН. Подальший розвиток методів мутаційного аналізу дозволить зробити тестування моделей МН більш надійним, ефективним і адаптивним до змінних умов реальних застосувань.
dc.description.abstractotherThe article discusses the peculiarities of mutation analysis in machine learning (ML) systems. The analysis shows that classical mutation testing cannot be directly applied to ML systems without appropriate adaptation. The article describes in detail the main problems that arise during mutation analysis in ML systems, including the definition of ‘source code’, the development of efficient and realistic mutation operators, optimisation of the testing process speed and the need to improve methods for estimating mutation coverage. In addition, the article reviews the latest research on mutation analysis in the context of ML systems and provides a critical analysis of it. The study offers a number of recommendations for researchers and software developers that will allow not only to integrate mutation testing into the ML models, but also to preserve the fundamental concepts of mutation analysis. In particular, the necessity of a clear distinction between source code and test suites, the creation of specialised mutation operators and the development of combined metrics for evaluating test coverage is substantiated. Moreover, the ways of optimising the computational complexity of mutation analysis used in existing tools are considered. The proposed solutions will help to improve the quality of testing of ML models and provide a more accurate assessment of their reliability. The results of the study emphasise the importance of adapting classical testing methods to the features of ML systems to increase their efficiency and reliability. The conclusions determine the directions for further research in this area, including the development of new realistic mutation operators, optimisation of testing performance, and alignment of the main conceptual aspects of mutation analysis with the principles of operation of ML models. Further development of mutation analysis methods will make testing of ML models more reliable, structured and adaptive to the changing conditions of real-world applications.
dc.format.pagerangeС. 112-117
dc.identifier.citationЛебедєв, А. В. Мутаційний аналіз та проблеми його використання для моделей машинного навчання [Електронний ресурс] / Лебедєв А. В., Федорова Н. В. // Вчені записки ТНУ імені В. І. Вернадського. Серія: Технічні науки. — 2025. — Т. 36(75), № 2, Ч. 2. — С. 112-117. — Бібліогр.: 11 назв. — Назва з екрана.
dc.identifier.doihttps://doi.org/10.32782/2663-5941/2025.2.2/15
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/80886
dc.language.isouk
dc.publisherВидавничий дім «Гельветика»
dc.publisher.placeОдеса
dc.relation.ispartofВчені записки ТНУ імені В. І. Вернадського. Серія: Технічні науки, 2025, Т. 36(75), № 2, Ч. 2
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectмутаційне тестування
dc.subjectоператори мутації
dc.subjectякість тестових наборів
dc.subjectмашинне навчання
dc.subjectмоделі машинного навчання
dc.subjectобробка великих масивів даних
dc.subjectmutation testing
dc.subjectmutation operators
dc.subjectquality of test sets
dc.subjectmachine learning
dc.subjectmachine learning models
dc.subjectprocessing of big data arrays
dc.subject.udc004.8:004.05
dc.titleМутаційний аналіз та проблеми його використання для моделей машинного навчання
dc.title.alternativeMutation analysis and problems of its use for machine learning models
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Mutation_analysis.pdf
Розмір:
408.17 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Статті (ІПЗЕ)