深度神经网络测试
机器学习
2019-04-16 v4 计算机视觉与模式识别
软件工程
摘要
深度神经网络（DNNs）具有广泛的应用，采用它们的软件必须经过充分测试，尤其在安全关键领域。然而，传统软件测试覆盖度量无法直接应用于 DNNs。本文受 MC/DC 覆盖准则启发，提出一组四种新颖的测试准则，专为 DNNs 的结构特征及其语义而设计。我们验证了这些准则，证明通过所提覆盖准则引导生成的测试输入能够捕获 DNN 中的非期望行为。测试用例使用符号方法与基于梯度的启发式搜索生成。通过与现有方法比较，我们表明所提准则在其发现缺陷（以对抗样本为代理）的能力与测试用例生成的计算成本之间取得了平衡。我们的实验在利用流行开源数据集（包括 MNIST、CIFAR-10 和 ImageNet）获得的先进 DNNs 上进行。
引用
@article{arxiv.1803.04792,
title = {Testing Deep Neural Networks},
author = {Youcheng Sun and Xiaowei Huang and Daniel Kroening and James Sharp and Matthew Hill and Rob Ashmore},
journal= {arXiv preprint arXiv:1803.04792},
year = {2019}
}