双城记：鲁棒深度学习中的数据与配置差异
机器学习
2022-11-28 v2 信号处理
摘要
深度神经网络（DNN）广泛应用于图像识别、供应链、医疗诊断与自动驾驶等诸多行业。然而，已有研究表明，DNN 模型的高准确率并不意味着高鲁棒性（即在新数据集与未来数据集上性能的一致），因为已部署模型的输入数据与外部环境（如软件与模型配置）处于不断变化之中。因此，保障深度学习的鲁棒性并非可选项，而是提升企业与消费者信心的优先要务。以往研究大多聚焦于模型差异的数据层面。在本文中，我们系统性地总结 DNN 鲁棒性问题，并从数据与软件配置差异这两个重要方面以整体视角对其加以形式化。我们还提供了一个预测框架，通过基于搜索的优化视角，同时考虑数据与配置来生成具有代表性的差异（反例），以用于鲁棒学习。
引用
@article{arxiv.2211.10012,
title = {A Tale of Two Cities: Data and Configuration Variances in Robust Deep Learning},
author = {Guanqin Zhang and Jiankun Sun and Feng Xu and H. M. N. Dilum Bandara and Shiping Chen and Yulei Sui and Tim Menzies},
journal= {arXiv preprint arXiv:2211.10012},
year = {2022}
}