![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 91
测试输入生成
&peerless
软件工程
展开
-
RobOT: Robustness-Oriented Testing for DeepLearning Systems
DL系统的对抗例子(又称bug)可以通过模糊或在某些测试指标的帮助下进行引导搜索来发现。然而,最近的研究表明,现有DL测试方法常用的神经元覆盖度量与模型鲁棒性无关。这也不是检验后对模型鲁棒性置信度的有效度量。作者提出了一种新的测试框架,称为面向鲁棒性测试(robust - oriented testing, RobOT),以弥补这一缺陷。RobOT的一个关键部分是定量衡量1)每个测试用例在提高模型鲁棒性方面的价值(通常是通过再训练),2)模型鲁棒性提高的收敛质量。原创 2023-10-08 17:14:28 · 124 阅读 · 1 评论 -
意外充分性引导的深度神经网络测试样本生成
由于深度神经网络(deep neural network, DNN)模型的复杂性和不确定性等属性,对模型的一般行为和边界行为进行充分的测试是保障模型质量的重要手段.当前的研究主要基于制定的覆盖准则,结合模糊测试技术生成衍生测试样本,从而提升测试充分性,但较少综合考虑测试样本的多样性及个体揭错能力.意外充分性指标量化测试样本与训练集在神经元输出方面的差异,是测试充分性评估的重要指标,目前缺乏基于此指标的测试样本生成方法.因此,提出了一种意外充分性引导的深度神经网络测试样本生成方法,原创 2023-10-03 17:03:09 · 185 阅读 · 1 评论 -
DeepPatch:维护深度学习模型程序以保持标准精度并大幅提高鲁棒性(2023)
DeepPatch: Maintaining Deep Learning Model Programs to Retain Standard Accuracy with Substantial Robustness Improvement原创 2023-09-26 15:19:24 · 140 阅读 · 0 评论 -
Can we learn better with hard samples?
在STL-10上,我们证明了所提出的方法比传统的高效网络b4中的小批量方法少了26.47%的时间周期。我们的研究结果表明,δ值的选择应该根据网络架构、小批量和数据集的数量谨慎地进行平衡,以实现更快的收敛和可观的性能。一个众所周知的解决方案是增加网络的深度,从而提高网络的泛化和学习更精细、更复杂的潜在表示的能力。从数据中的硬样本中学习是必要的,因为它可以提高训练后的网络的性能。反向传播算法是训练神经网络的首选方法。这种方法背后的直觉是:在准备考试时,学生倾向于花更多的时间在困难的概念上,而不是简单的概念。原创 2023-09-24 21:17:11 · 42 阅读 · 1 评论