DeepRepair：面向实际运行环境中深度神经网络的风格引导修复

深度神经网络（DNNs）因其在跨域各种真实应用中的高性能（如图像分类上的高准确率）而被广泛采用。然而，训练良好的 DNN 在部署后，常因训练数据集分布与实际运行环境中潜在未知噪声因素（如天气、模糊、噪声等）之间的不匹配，而在实用中频繁出错。因此，DNN 的真实应用提出了一个重要问题：如何修复已部署的 DNN，以纠正运行环境下失败样本（即错误预测），同时不损害其处理正常或干净数据的能力。实践中由运行环境噪声因素导致的失败样本数量通常有限。因此，如何基于可收集的有限失败样本修复更多类似失败，是相当具有挑战性的。本文提出一种风格引导的数据增强方法，用于修复运行环境中的 DNN。我们提出一种风格迁移方法，通过数据增强将失败数据中的未知失败模式学习并引入训练数据。此外，我们进一步提出基于聚类的失败数据生成，以实现更有效的风格引导数据增强。我们利用真实世界可能出现的十五种退化因素进行了大规模评估，并与四种最先进的数据增强方法和两种 DNN 修复方法比较，表明我们的方法能显著提升已部署 DNN 在运行环境 corrupted 数据上的表现，且在干净数据集上甚至具有更高准确率。