DeepTPI: 基于深度强化学习的测试点插入
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
提出了快速且简单的TIP方法DeepGini,通过大规模研究验证其在处理大规模深度神经网络测试数据效率方面的优越性,但同时也发现来自不确定性量化领域的其他方法,如softmax模型预测或预测softmax模型熵同样有效。
May, 2022
研究开发了基于搜索的深度强化学习测试框架,用于评估深度强化学习代理的性能和安全性,其中包括利用搜索算法进行参考跟踪的安全测试和创建多样化的跟踪以评估代理的总体性能。
May, 2022
本文提出了一种基于强化学习的方法来设计高性能数字电路中的并行前缀电路,使用深度卷积强化学习代理在环境中进行训练,设计出Pareto优化现有基线的前缀加法电路,其面积和时延分别比现有基线低16.0%和30.2%。经实验表明,训练对公开源代码进行的综合工具和电池库的代理可以设计出优于商业工具加法器的电路。
May, 2022
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。
May, 2022
利用遗传算法和机器学习模型,提出了 STARLA,一种搜索 DRL 代理策略的方法。我们将其应用于广泛使用的 Deep-Q-Learning 代理,表明它比随机测试更能发现与代理策略有关的故障,并研究了如何提取描述 DRL 代理故障情况的规则。
Jun, 2022
使用基于搜索的方法的Indago工具,通过在深度强化学习中训练分类器来预测特定环境配置下机器学习代理的故障情况,以此作为适应度函数来生成更多故障环境配置,实验结果表明,此方法比现有技术多发现50%的深度强化学习代理的故障
May, 2023
在这项研究中,我们提出了DeepFeature用于从特征图层面测试深度神经网络。通过大量实验证明:(1) DeepFeature是检测模型易受攻击特征图的强大工具;(2) DeepFeature的测试用例选择具有高的错误检测率,能够检测更多类型的错误(与基于覆盖率引导的选择技术相比,错误检测率提高了49.32%);(3) DeepFeature的模糊测试技术也优于当前的模糊测试技术,并且更高效地生成有价值的测试用例。
Jul, 2023
我们提出了一种新颖的方法,首次将经过训练的测试案例生成器深度学习模型与双重深度 Q 网络(DDQN)相结合,通过代码覆盖信号引导测试案例的创建,提高了基于生成模型的代码覆盖性能。
Jul, 2023