Grunddaten
Titel | Aktives Lernen für Invarianten |
Beschreibung | Aktives Lernen für Invarianten Motivation Das Finden von korrekten und hilfreichen Invarianten ist eine der Kernaufgaben bei der Softwareverifikation. In den letzten Jahren wurden verschiedene Ansätze zur Invarianten-Generierung vorgestellt, die verschiedene Machine Learning Techniken verwenden, darunter von Li et al. [1], die in Ihrer Arbeit einen aktiven Lernalgorithmus auf Basis einer Support-Vektor Maschine verwenden. Um die verschiedenen Ansätze vergleichen zu können, wurde das MIGML Framework entwickelt. In diesem Framework lassen sich verschiedenen Techniken abbilden und damit vergleichen. Allerdings ist das MIGML Framework aktuell nur in der Lage, passive Lernalgorithmen zu unterstützen. Daher kann der Ansatz von Li et al. Nicht abgebildet werden.
[1] Jiaying Li, Jun Sun, Li Li, Quang Loc Le, and Shang-Wei Lin. 2017. Automatic loop-invariant generation and refinement through selective sampling. In Proc. ASE 2017.
|
Heimateinrichtung | Department für Informatik |
Art der Arbeit | praktisch / anwendungsbezogen |
Abschlussarbeitstyp | Bachelor |
Autor | Jan Frederik Haltermann, M. Sc. |
Status | verfügbar |
Aufgabenstellung | Inhalt und Ziele In dieser Arbeit soll das existierende MIGML Framework konzeptionell erweitert werden, um aktive Lernalgorithmen zu unterstützen, sodass der oben genannte Ansatz im Anschluss durch das MIGML Framework abgebildet werden können. Neben der Implementierung der konzeptionellen Erweiterung muss der in der Arbeit verwendete Lernalgorithmus implementiert werden, wobei für die Realisierung existierende Komponenten von MIGML wiederverwendet werden können. |
Voraussetzung | Grundlegende Programmiererfahrung mit Java |
Erstellt | 02.11.2021 |