利用傅里叶分析与突变聚类加速 DNN 突变测试
软件工程
2025-10-06 v1
摘要
深度神经网络 (DNN) 的突变分析是评估测试集充分性的有前景的方法。由于必须在大型数据集上对大量生成的突变体进行测试，突变分析成本高昂。本文提出了一种名为 DM# 的技术，用于利用傅里叶分析加速 DNN 突变测试。我们的关键洞察是，DNN 输出是适合傅里叶分析的实值函数，可仅通过少数数据点量化突变体的行为。DM# 使用量化的突变行为对突变体进行聚类，以便行为相似的突变体归入同一组。然后，从每组中选择一个代表性突变体进行测试，测试结果（例如该突变体是否被消灭或存活）可被重用于给属于该代表性突变体的所有其他突变体。我们使用 14 个 DNN 模型（参数规模从几千到几百万不等），在不同数据集上进行训练，以评估 DM# 并将其与几种基线技术进行比较。我们的结果在平均仅增加 0.72% 的错误率的同时，平均加快突变测试 28.38%。此外，DM# 在平均错误率上，分别比随机突变选择、边界样本选择和随机样本选择技术低 11.78 倍、15.16 倍和 114.36 倍，同时通常提供相当的加速速度。
引用
@article{arxiv.2510.02718,
title = {Using Fourier Analysis and Mutant Clustering to Accelerate DNN Mutation Testing},
author = {Ali Ghanbari and Sasan Tavakkol},
journal= {arXiv preprint arXiv:2510.02718},
year = {2025}
}
备注
2025 40th IEEE/ACM International Conference on Automated Software Engineering (ASE)