面向深度神经网络架构抵御数值缺陷的可靠性保障
软件工程
2023-04-25 v3 机器学习
编程语言
摘要
随着深度神经网络（DNNs）的广泛部署，确保基于 DNN 的系统的可靠性至关重要。数值缺陷作为 DNN 中最频繁的缺陷之一，可引发系统故障等严重可靠性问题。为保障针对数值缺陷的高可靠性，本文提出 RANUM 方法，包含用于三项可靠性保障任务的新技术：潜在数值缺陷检测、潜在缺陷可行性确认与缺陷修复建议。据我们所知，RANUM 是首个通过展示失败的测试确认潜在缺陷可行性并自动建议修复的方法。在 63 个真实世界 DNN 架构基准上的大量实验表明，RANUM 在三项可靠性保障任务上均优于最先进（SOTA）方法。此外，将 RANUM 生成的修复与开源项目上开发者的修复比较，在 40 个案例中的 37 个，RANUM 生成的修复等同于甚至优于人工修复。
引用
@article{arxiv.2302.06086,
title = {Reliability Assurance for Deep Neural Network Architectures Against Numerical Defects},
author = {Linyi Li and Yuhao Zhang and Luyao Ren and Yingfei Xiong and Tao Xie},
journal= {arXiv preprint arXiv:2302.06086},
year = {2023}
}
备注
To appear at 45th International Conference on Software Engineering (ICSE 2023), camera-ready version, tiny typo fixed