May, 2022

基于覆盖率导向的模拟验证测试选择的监督学习

PDF
TL;DR本文介绍一种名为基于覆盖率反馈的测试选择的自动约束提取和测试选择的新方法，通过选择具有高概率增加功能覆盖率的测试，有助于减少手动约束编写，优先考虑有效测试，降低验证资源消耗，加速大型工业硬件设计的覆盖率闭合。
发现论文，激发创造
  • 基于仿真的带机器学习组件的自动驾驶车辆对抗测试生成

    本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

    Apr, 2018

  • 具备机器学习组件的自动驾驶车辆需求驱动测试生成

    提出了一种使用信号时序逻辑（STL）的测试框架，以实现需求驱动的方法来测试自动驾驶汽车的复杂系统，该框架支持机器学习等深度神经网络组件，可以评估控制算法和包括车载环境的感应器模型，提供能够增强控制器设计调试和测试可靠性的测试用例。

    Aug, 2019

  • 结构化预测的对抗性约束学习

    本研究提出了一种基于约束学习的半监督学习方法，利用黑盒模拟器生成未标记数据进行训练并通过对抗训练实现生成模型的训练，提高模型在多种任务上的表现。

    May, 2018

  • 深度神经网络测试

    提出了 4 种新的测试标准，为结构性特征和语义定制的深度神经网络，并通过对当前最先进的人工神经网络数据集进行实验来验证其有效性，以平衡测试用例生成的计算成本和发现缺陷的能力，同时在代理中使用对抗性例子。

    Mar, 2018

  • 基于约束的图网络模拟器

    本文介绍了一个基于约束的机器学习模拟框架，使用图神经网络实现约束函数，并通过求解优化问题计算未来预测，可应用于多种具有挑战性的物理领域，提供了传统模拟和数值方法的归纳偏差。

    Dec, 2021

  • 使用生成模型进行神经网络的分布感知测试

    针对系统安全和可信度需要进行深入测试的 DNN (DNN 指深度神经网络) 组件，提出了一种基于深度生成模型算法的有效测试方法，以消除无效的测试并提高测试输入的有效性。

    Feb, 2021

  • 学习模拟

    本研究提出了一种基于强化学习的方法，用于自动调整非可微模拟器的参数，从而控制合成数据的分布以最大化模型的精度，相较于现有技术，该方法全面控制模拟器以最大化精度。

    Oct, 2018

  • 弱监督学习的约束标注

    本文提出了一种基于约束空间的弱监督学习方法，将不同的弱监督信号结合起来进行训练，在文本分类和图像分类任务中优于其他方法。

    Sep, 2020

  • 关于有限时间序列生成问题的研究

    本文利用一个带限制的优化框架，提出了一套生成方法，包括 “GuidedDiffTime”，用于生成合成的具有现实性的时间序列，相比现有方法更加高效，且无需重新训练，取得了显著的性能提升，并大幅降低了碳足迹。

    Jul, 2023

  • AutoSimulate:（快速）学习合成数据生成

    通过一种新的可微分逼近目标的方法，提出了一种有效的用于生成最优合成数据的替代方法，该方法可通过优化非可微模拟器，在每个迭代中仅需一个目标评估带有小的开销，在真实测试数据集上可以以较少的训练数据生成更快的理想数据分布（高达 50 倍）并具有更高的准确率（+ 8.7％），比以前的方法更好地解决了模拟机器学习算法中大型标记数据集的生成问题。

    Aug, 2020