研究修复假设保留以支持成本感知执行
原文：Retaining Repair Hypotheses for Cost-Aware Execution
可执行模型的多种修正可以拟合相同的观测，却预测出不同的执行结果。我们研究了一种从修复到执行的接口，它保留兼容的有限守卫修复，根据诊断观测和普通执行观测来调节其权重，并利用其预测来选择路线、定价测试或后备方案。在24个合成两阶段设备上，将语言模型生成的修复与兼容修复上的均匀信念等量混合（即AI加权信念），相对于直接采用生成的修复，可将无测试成本降低2.14%。访问费用可能在孤立任务上抵消诊断带来的收益，而在AI加权信念下，重复工作可以恢复这一收益。在每个重复工作分支都进行正常执行学习的情况下，在AI加权信念下，工作负载估值测试比同等预算的随机选择成本低3.33%。加权会改变比较结果：在该队列上，均匀正常学习的成本比AI加权正常学习低540.75，且设备配对区间排除零。测试弥补了部分差距，但均匀正常学习的总成本仍低于AI加权工作负载估值选择。在均匀信念下，信息增益选择在比较的选择器中总成本最低，而工作负载估值测试的成本高于正常学习。这些结果支持保留生成修复的替代方案，并将诊断选择与修复加权及执行学习一起评估。作者：Jae Hun Hwang, Hong-In Won 类别：cs.AI