Dec, 2018

DeepCruiser: 面向有状态深度学习系统的自动化导向测试

PDF
TL;DR该论文介绍了一种用于测试循环神经网络的测试框架，并在现有语音转文字深度学习系统上进行了测试，以提高循环神经网络系统的质量和可靠性。
deep learningrecurrent neural networksstateful dl systemsautomated testing frameworkquality assurance
发现论文，激发创造
  • 深度学习系统的组合测试

    本文探讨了如何采用组合测试技术来测试深度学习系统，以提高其鲁棒性，从而及早发现漏洞。作者提出了一套 DL 系统覆盖度准则和 CT 覆盖度引导测试生成技术，并通过实验证明组合测试可以有效地降低测试空间并提高其缺陷检测能力。此外，还对深度学习系统的组合测试提出了一些未解之问和有趣的方向。

    Jun, 2018

  • DeepGauge: 深度学习系统的多粒度测试标准

    该论文提出深度学习系统的多层次测试标准 DeepGauge，以应对其漏洞和不足，经过对多个数据集和攻击技术的分析得出结果，有望构建更加稳健的深度学习系统。

    Mar, 2018

  • DeepTest: 深度神经网络驱动的自动驾驶汽车自动化测试

    本文介绍了 DeepTest，一个系统的测试工具，可以自动侦测潜在的导致致命碰撞的深度学习驱动车辆的错误行为，通过生成最大化激活神经元数量的测试输入，并利用现实世界变化的驾驶条件（例如雨、雾、照明条件等）来自动生成测试用例，能够发现许多在 Udacity 自动驾驶汽车挑战赛中，三个表现最佳的深度学习神经网络车中，具有潜在致命意外的错误行为。

    Aug, 2017

  • DeepXplore：深度学习系统的自动化白盒测试

    本文介绍了 DeepXplore，这是第一个白盒子架构，用于系统地测试现实中的深度学习系统。它有效地找到了成千上万个在最新的深度学习模型中存在的错误的边缘案例行为，并使用 DeepXplore 生成的测试输入来重新训练相应的 DL 模型，从而提高模型的准确性高达 3％。

    May, 2017

  • DeepCover: 提升 RNN 测试覆盖率和在线错误预测的状态机提取技术

    本文提出了一种从循环神经网络（RNN）模型中提取状态机（SM）的方法，以增加 RNN 模型的解释性，并改进了测试和监控 RNN 模型的能力，同时介绍了基于提取的 SM 的六个模型覆盖准则和基于提取的 SM 的错误概率预测模型。

    Feb, 2024

  • 测试前向神经网络训练程序

    该论文提出了一种名为 TheDeepChecker 的端到端基于属性的调试方法，以检测深度神经网络训练程序中的编码错误和系统失配，并表明其在检测准确性和深度学习故障覆盖面方面优于 Amazon SageMaker Debugger（SMD）的离线规则验证。

    Apr, 2022

  • 深度学习的测试改进

    对神经网络的测试方法进行研究，提出了一种覆盖所有逻辑的覆盖率准则，并探讨了改进方法和需要快速、可扩展、通用的端到端测试方法的必要性。

    Feb, 2019

  • 深度学习模型综述与比较分析：CNN、RNN、LSTM、GRU

    本文综述了不同类型的深度学习模型，包括卷积神经网络、循环神经网络、生成模型、深度强化学习和深度迁移学习，探讨了它们的结构、应用、优点和局限性，并使用 IMDB、ARAS 和 Fruit-360 三个公共数据集分析了六个著名深度学习模型的性能差异：CNN、Simple RNN、LSTM、双向 LSTM、GRU 和双向 GRU。

    May, 2023

  • 循环强化学习：一种混合方法

    本文研究了一种深度学习方法，将强化学习和监督学习结合，通过长短时记忆网络对隐藏状态的表示进行学习，在部分可观测任务中表现出了很好的性能。

    Sep, 2015

  • 从 RNN 到 DNN 的知识转移

    本文研究嵌入式系统中小型深度神经网络的训练方法，提出了一种使用递归神经网络进行知识转移的方法，并通过 Kullback-Leibler 散度最小化来训练小型深度神经网络，结果显示相较于基线结果提高了 13% 的识别准确率。

    Apr, 2015