Лебедєв, А. В.Федорова, Н. В.2026-05-182026-05-182025Лебедєв, 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.https://ela.kpi.ua/handle/123456789/80886У 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.ukмутаційне тестуванняоператори мутаціїякість тестових наборівмашинне навчаннямоделі машинного навчанняобробка великих масивів данихmutation testingmutation operatorsquality of test setsmachine learningmachine learning modelsprocessing of big data arraysArticleС. 112-117https://doi.org/10.32782/2663-5941/2025.2.2/15004.8:004.05