基于学习的深度学习测试：通过对抗输入优先级提升模型鲁棒性
软件工程
2025-09-30 v1 机器学习
摘要
背景：深度神经网络（DNN）日益被部署在关键应用场景中，针对对抗输入的鲁棒性至关重要。然而，无论是基于覆盖率还是基于置信度的现有测试优先级方法，往往难以高效识别最具故障发现潜力的输入，限制了其实际效果。目标：本项目旨在通过将学习基测试（LBT）与假设测试和突变测试集成，提高 DNN 中故障检测和模型鲁棒性，高效优先级排序对抗测试用例。方法：本方法挑选一部分具有高概率暴露模型故障的对抗输入，无需依赖于特定网络结构或形式化验证，因而适用于各种 DNN。结果：实验结果表明，所提出的 LBT 方法在优先级排序能揭示故障的输入方面始终优于基线方法，并加快故障检测速度。通过高效组织测试排列，该方法在各种数据集、模型架构和对抗攻击技术下，显著加快了发现所有潜在故障的速度。结论：除了改进故障检测外，本方法保留输入多样性，为模型再训练提供有效指导，从而进一步提升鲁棒性。这些优势使本方法成为实际 DNN 应用中对抗测试优先级排序的强大且实用的解决方案。
引用
@article{arxiv.2509.23961,
title = {Learning-Based Testing for Deep Learning: Enhancing Model Robustness with Adversarial Input Prioritization},
author = {Sheikh Md Mushfiqur Rahman and Nasir Eisty},
journal= {arXiv preprint arXiv:2509.23961},
year = {2025}
}