面向基于扩散模型的测试用例生成的超网络自适应方法
机器学习
2026-01-22 v1 软件工程
摘要
深度学习系统日益广泛的部署要求对其在真实场景中的可靠性进行系统性评估。传统的基于梯度的对抗攻击引入的微小扰动很少对应于真实的失效情况，且主要评估鲁棒性而非功能行为。生成式测试生成方法提供了一种替代方案，但通常局限于简单的数据集或受限的输入域。尽管扩散模型能够实现高保真图像合成，但其计算成本和有限的可控性限制了它们在大规模测试中的适用性。我们提出了 HyNeA，这是一种生成式测试方法，能够实现对基于扩散模型生成的直接且高效的控制。HyNeA 通过超网络提供无需数据集的可控性，允许在不依赖特定架构的条件机制或微调等数据驱动自适应的情况下，对生成过程进行定向操纵。HyNeA 采用独特的训练策略，支持实例级调整以识别诱发失效的测试用例，而无需显式包含类似失效示例的数据集。这种方法能够以远低于基于搜索方法的计算成本定向生成真实的失效用例。实验结果表明，与现有的生成式测试生成器相比，HyNeA 提高了可控性和测试多样性，并且能够泛化至缺乏失效标签训练数据的领域。
引用
@article{arxiv.2601.15041,
title = {HyperNet-Adaptation for Diffusion-Based Test Case Generation},
author = {Oliver Weißl and Vincenzo Riccio and Severin Kacianka and Andrea Stocco},
journal= {arXiv preprint arXiv:2601.15041},
year = {2026}
}