基于变异的深度神经网络故障定位
软件工程
2023-09-12 v1 机器学习
摘要
深度神经网络（DNNs）与其他类型的软件系统一样容易出现缺陷。DNN的使用显著增加，且其应用遍及广泛领域（包括安全关键系统），这保证了对用于提升基于DNN系统可靠性的软件工程工具的广泛研究。近年来受到显著关注的一类此类工具是DNN故障定位。本文在DNN模型的语境下重新审视基于变异的故障定位，并提出一种名为deepmufl的新技术，适用于广泛的DNN模型。我们已实现deepmufl，并使用从StackOverflow获取的109个缺陷评估了其有效性。我们的结果显示，deepmufl通过将缺陷层排在top-1位置检测出了109个缺陷中的53个，优于同样旨在针对deepmufl所支持缺陷类别的SOTA静态与动态DNN故障定位系统。此外，我们观察到，利用变异选择可将预训练模型的故障定位时间减半，且仅损失top-1位置定位到的缺陷的7.55%。
引用
@article{arxiv.2309.05067,
title = {Mutation-based Fault Localization of Deep Neural Networks},
author = {Ali Ghanbari and Deepak-George Thomas and Muhammad Arbab Arshad and Hridesh Rajan},
journal= {arXiv preprint arXiv:2309.05067},
year = {2023}
}
备注
38th IEEE/ACM International Conference on Automated Software Engineering (ASE 2023)