A partir de cette page vous pouvez :
Retourner au premier Ă©cran avec les Ă©tagĂšres virtuelles... |
RĂ©sultat de la recherche
1 rĂ©sultat(s) recherche sur le mot-clĂ© 'Vérification de programme, méthodes formelles, Génération d’invariant, apprentissage automatique, réseaux de neurons, apprentissage en model ICE'
Affiner la recherche Faire une suggestion
Machine Learning Methods for Synthesis of Program Invariants / Wael-Amine BOUTGLAY
Titre : Machine Learning Methods for Synthesis of Program Invariants Type de document : projet fin Ă©tudes Auteurs : Wael-Amine BOUTGLAY, Auteur Langues : Français (fre) CatĂ©gories : Internet des Objets et Services Mobiles ( IOSM ) Mots-clĂ©s : VĂ©rification de programme, mĂ©thodes formelles, GĂ©nĂ©ration dâinvariant, apprentissage automatique,
rĂ©seaux de neurons, apprentissage en model ICEIndex. dĂ©cimale : mast 213/19 RĂ©sumĂ© : Le développement des programmes corrects reste un problème important et ouvert. Des approches
basées sur les méthodes formelles ont été développées pour vérifier l’exactitude d’un programme par
rapport à une spécification donnée. L’inspection manuelle des programmes est sujette aux erreurs,
compliquée et coûteuse. Plusieurs méthodes et outils ont été proposés pour automatiser cette vérification,
mais avec des limitations. La synthèse d’invariants adéquats et inductifs est un problème complexe
qui est au coeur de la vérification automatisée des programmes. Nous discutons les travaux les
plus percutants de la littérature sur la génération automatique d’invariant en utilisant l’apprentissage
automatique, y compris le modèle d’apprentissage d’invariant robuste appelé ICE. Nous proposons le
premier algorithme d’apprentissage non basés sur les templates adaptant ICE avec des implications
contre-exemples basés sur des techniques d’apprentissage automatique. En particulier, nous étendons
les réseaux de neurones classiques au traitement de ces implications.
Machine Learning Methods for Synthesis of Program Invariants [projet fin Ă©tudes] / Wael-Amine BOUTGLAY, Auteur . - [s.d.].
Langues : Français (fre)
CatĂ©gories : Internet des Objets et Services Mobiles ( IOSM ) Mots-clĂ©s : VĂ©rification de programme, mĂ©thodes formelles, GĂ©nĂ©ration dâinvariant, apprentissage automatique,
rĂ©seaux de neurons, apprentissage en model ICEIndex. dĂ©cimale : mast 213/19 RĂ©sumĂ© : Le développement des programmes corrects reste un problème important et ouvert. Des approches
basées sur les méthodes formelles ont été développées pour vérifier l’exactitude d’un programme par
rapport à une spécification donnée. L’inspection manuelle des programmes est sujette aux erreurs,
compliquée et coûteuse. Plusieurs méthodes et outils ont été proposés pour automatiser cette vérification,
mais avec des limitations. La synthèse d’invariants adéquats et inductifs est un problème complexe
qui est au coeur de la vérification automatisée des programmes. Nous discutons les travaux les
plus percutants de la littérature sur la génération automatique d’invariant en utilisant l’apprentissage
automatique, y compris le modèle d’apprentissage d’invariant robuste appelé ICE. Nous proposons le
premier algorithme d’apprentissage non basés sur les templates adaptant ICE avec des implications
contre-exemples basés sur des techniques d’apprentissage automatique. En particulier, nous étendons
les réseaux de neurones classiques au traitement de ces implications.
RĂ©servation
RĂ©server ce document
Exemplaires
Code barre Cote Support Localisation Section DisponibilitĂ© mast 213/19 mast 213/19 WAE Texte imprimé Unité des masters Mast/19 Disponible