深度学习模型修复方法综述研究
机器学习
2026-01-01 v1 软件工程
摘要
深度学习 (DL) 已广泛应用于自动驾驶、智能医疗和辅助编程等多个工业领域。与传统软件一样，DL 系统也容易出现故障，其故障可能会使用户面临重大风险。因此，已有大量方法被提出以解决这些问题。本文对 16 种最先进的 DL 模型修复方法进行了大规模实证研究，涵盖模型级、层级和神经元级类别，以全面评估其性能。我们不仅评估了它们的修复有效性（其主要目的），还评估了它们对其他关键特性的影响，如鲁棒性、公平性和向后兼容性。为了确保全面且公平的评估，我们在统一的实验设置中采用了多样化的数据集、模型架构和应用领域进行实验。我们总结了几个对工业界和学术界具有启示意义的关键发现。例如，模型级方法表现出优于其他方法的修复有效性。没有一种方法能够在实现最佳修复性能的同时提高准确性并维持所有其他特性。因此，学术界应优先开展关于减轻这些副作用的研究。这些见解突出了该领域未来探索的有前景方向。
引用
@article{arxiv.2512.23745,
title = {A Comprehensive Study of Deep Learning Model Fixing Approaches},
author = {Hanmo You and Zan Wang and Zishuo Dong and Luanqi Mo and Jianjun Zhao and Junjie Chen},
journal= {arXiv preprint arXiv:2512.23745},
year = {2026}
}