论文《DeepGini》提出一种新颖的DNN测试优先级方法，通过简化错误分类概率测量为集合杂质，提高测试效率。无需深入理解DNN结构，仅依赖输出向量排序。该方法通过对抗测试和有限时间训练，有效增强DNN稳定性。实验结果证实其有效性。
论文《DeepGini: Prioritizing Massive Tests to Enhance the Robustness of Deep Neural Networks》提出了一种DNN测试优先级排序方法DeepGini，该方法不仅优于现有神经元覆盖技术，而且对提高DNN质量有帮助。
本文参考了这篇【论文转述】，侵删。
主要工作：
提出了DeepGini：一种基于DNN统计视角设计的测试优先级技术，可以将测量错误分类概率的问题简化为测量集合杂质的问题，使能够快速识别可能被错误分类的测试。
解决问题：
为了获得oracle信息，DNN测试通常需要花费大量人力来提前贴标签。
优势：
-
本文度量标准比现有神经元覆盖标准更易区分测试。
-
仅根据DNN输出向量对测试进行优先级排序。（不需要记录大量中间信息、了解DNN内部结构、查看DNN，因此更易于使用、更安全）
-
时间复杂度低于覆盖-附加方法，更具有扩展性。
-
使用DeepGini在前的测试集，优于使用该度量在后的测试集和使用覆盖范围度量在前的测试集。
该方法需要运行所有测试来获得输出。
方法描述：
用于衡量错误分类可能性的指标定义如下：
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
