paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Detecting flaky tests in probabilistic and machine learning applications

检测概率与机器学习应用中的 flaky tests
ISSTA Proceedings of the 29th ACM SIGSOFT International Symposium on Software Testing and Analysis2020匹配度 4/10 · 论文关注概率编程与机器学习框架中非确定原语导致的 flaky tests 检测，属于 PL 与 ML 交叉的测试/调试问题，与用户关注的静态分析、LLM 辅助分析、浮点程序分析等核心方向仅间接相关；未涉及静态分析或 LLM，但涉及概率编程系统与 ML 框架可靠性。引用 74 inbox
Saikat Dutta, August Shi, Rutvik Choudhary, Zhekun Zhang, Aryaman Jain, Sasa Misailovic
测试、调试与修复机器学习与程序语言
crossref: 2026-09-12

AI 速览

一句话：针对概率编程与机器学习框架的非确定原语所引发的 flaky tests，研究如何检测这类非确定失败。

概率编程系统以及 Pyro、PyMC3、TensorFlow、PyTorch 等机器学习框架提供了可扩展且高效的推断与训练原语，但这些操作具有非确定性。因此，依赖这些框架的应用程序的测试很难编写：同一代码版本上的测试可能非确定地失败，即 flaky tests。该论文关注此类概率与机器学习应用中的 flaky test 检测问题。从标题与摘要看，其目标是识别由框架非确定行为引发的测试不稳定现象；摘要本身主要说明问题背景与挑战，未披露具体检测技术、工具实现或实验评估结果。

问题
概率编程与机器学习框架中的推断/训练原语具有非确定性，导致依赖它们的测试在同一代码版本上非确定失败，开发者难以编写稳定可靠的测试。
方法
摘要未给出具体技术细节；从标题可知论文旨在检测概率与机器学习应用中的 flaky tests。
评估
摘要未提供评估方式、实验对象或实验结果。
原文摘要（Abstract）

Probabilistic programming systems and machine learning frameworks like Pyro, PyMC3, TensorFlow, and PyTorch provide scalable and efficient primitives for inference and training. However, such operations are non-deterministic. Hence, it is challenging for developers to write tests for applications that depend on such frameworks, often resulting in flaky tests – tests which fail non-deterministically when run on the same version of code.

链接与引用

DOI 原文 ·

BibTeX 
@inproceedings{paperbot6035,
  title = {Detecting flaky tests in probabilistic and machine learning applications},
  author = {Saikat Dutta and August Shi and Rutvik Choudhary and Zhekun Zhang and Aryaman Jain and Sasa Misailovic},
  booktitle = {ISSTA},
  year = {2020},
  doi = {10.1145/3395363.3397366}
}