深度学习中突变体真实性的实证研究
软件工程
2025-12-19 v1
摘要
突变分析是传统软件开发范式中通过注入人工故障来评估测试质量的成熟技术，其在深度学习（DL）中的应用已超越经典测试范式，支持故障定位、修复、数据生成和模型鲁棒性评估等任务。其核心假设是突变体行为类似于真实故障，这一假设在传统软件系统中已广泛确立，但在深度学习中仍 largely unverified。本研究首次对比预训练和后训练突变方法在深度学习中的真实性。我们引入统计框架来量化其耦合强度和行为相似性，使用公开可用的bug数据集：CleanML、DeepFD、DeepLocalize和defect4ML。使用代表两种方法的最先进工具生成突变体。结果表明，预训练突变体在耦合强度和行为相似性方面均显著优于后训练突变体，表明其真实性更高。然而，预训练突变的高计算成本凸显了需要更有效的后训练算子以匹配或超越预训练突变体真实性的需求。
引用
@article{arxiv.2512.16741,
title = {An Empirical Study of the Realism of Mutants in Deep Learning},
author = {Zaheed Ahmed and Philip Makedonski and Jens Grabowski},
journal= {arXiv preprint arXiv:2512.16741},
year = {2025}
}