ActGraph：基于深度神经网络激活图的测试用例优先级排序
软件工程
2022-11-02 v1
摘要
深度神经网络（DNNs）的广泛应用得益于 DNN 测试以保障其质量。在 DNN 测试中，大量测试用例被输入模型以探索潜在漏洞，但检查其标签需要昂贵的人工成本。因此，提出了测试用例优先级排序来解决标注成本问题，例如基于激活与基于变异的优先级排序方法。然而，它们大多受限于有限场景（即高置信度对抗或假阳性用例）与高时间复杂度。为应对这些挑战，我们从神经元空间关系视角提出激活图的概念。我们观察到，触发模型误行为的用例的激活图与正常用例的激活图显著不同。受此启发，我们设计了一种基于激活图的测试用例优先级排序方法 ActGraph，通过提取激活图的高阶节点特征进行排序。ActGraph 解释了测试用例之间的差异，以解决场景限制问题。无需变异操作，ActGraph 易于实现，从而具有更低的时间复杂度。在三个数据集与四个模型上的大量实验表明，ActGraph 具有以下关键特性。(i) 有效性与泛化性：ActGraph 在所有自然、对抗与混合场景中均表现出有竞争力的性能，尤其在 RAUC-100 提升（约 1.40）上。(ii) 高效性：ActGraph 不使用复杂变异操作，运行时间（约 1/50）少于最先进方法。
引用
@article{arxiv.2211.00273,
title = {ActGraph: Prioritization of Test Cases Based on Deep Neural Network Activation Graph},
author = {Jinyin Chen and Jie Ge and Haibin Zheng},
journal= {arXiv preprint arXiv:2211.00273},
year = {2022}
}