通过神经元与突变体聚类加速深层神经网络突变分析
软件工程
2025-01-23 v1 机器学习
神经与进化计算
摘要
深层神经网络(DNN)的突变分析是一种有效评估测试数据质量和模型鲁棒性的方法，但对于大型模型而言计算成本较高。为缓解此问题，我们提出了DEEPMAACC(Deep Mutation Analysis Acceleration via Clustering)，一种通过神经元和突变体聚类来加速DNN突变分析的技术与工具。DEEPMAACC实现了两种方法：(1)神经元聚类以减少生成的突变体数量; (2)突变体聚类以通过选择代表性突变体进行测试来减少待测试的突变体数量。这两种方法都使用层次聚类算法对具有相似权重的神经元和突变体进行分组，以在保持突变得分的同时提高效率。DEEPMAACC已在8个DNN模型上进行评估，这些模型跨越4个流行的分类数据集和两个DNN架构。与彻底或原始突变分析相比，结果提供了实证证据，表明神经元聚类方法平均可加速突变分析69.77%，平均出现-26.84%的突变得分误差;而突变体聚类方法平均可加速突变分析35.31%，平均出现1.96%的突变得分误差。我们的結果表明，在突变测试速度和突变得分误差之间可以进行权衡。
引用
@article{arxiv.2501.12598,
title = {On Accelerating Deep Neural Network Mutation Analysis by Neuron and Mutant Clustering},
author = {Lauren Lyons and Ali Ghanbari},
journal= {arXiv preprint arXiv:2501.12598},
year = {2025}
}
备注
18th IEEE International Conference on Software Testing, Verification and Validation (ICST) 2025