論文の概要: Automated Testing for Deep Learning Systems with Differential Behavior
Criteria
- arxiv url: http://arxiv.org/abs/1912.13258v1
- Date: Tue, 31 Dec 2019 10:31:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 20:14:10.574625
- Title: Automated Testing for Deep Learning Systems with Differential Behavior
Criteria
- Title（参考訳）: 異なる行動基準を持つ深層学習システムの自動テスト
- Authors: Yuan Gao, Yiqiang Han
- Abstract要約: 本研究では,差分行動基準に基づくディープラーニングシステムのための自動テストシステムの構築について検討した。
テストイテレーション毎に3つの事前学習モデルの差動挙動を観察することにより,誤フィードバックを誘発する入力画像をコーナーケースとして登録した。
深層学習システムのためのフォトリアリスティック画像を生成するために, 差動行動基準に基づく他の手法について検討した。
- 参考スコア（独自算出の注目度）: 5.653421430985333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we conducted a study on building an automated testing system
for deep learning systems based on differential behavior criteria. The
automated testing goals were achieved by jointly optimizing two objective
functions: maximizing differential behaviors from models under testing and
maximizing neuron coverage. By observing differential behaviors from three
pre-trained models during each testing iteration, the input image that
triggered erroneous feedback was registered as a corner-case. The generated
corner-cases can be used to examine the robustness of DNNs and consequently
improve model accuracy. A project called DeepXplore was also used as a baseline
model. After we fully implemented and optimized the baseline system, we
explored its application as an augmenting training dataset with newly generated
corner cases. With the GTRSB dataset, by retraining the model based on
automated generated corner cases, the accuracy of three generic models
increased by 259.2%, 53.6%, and 58.3%, respectively. Further, to extend the
capability of automated testing, we explored other approaches based on
differential behavior criteria to generate photo-realistic images for deep
learning systems. One approach was to apply various transformations to the seed
images for the deep learning framework. The other approach was to utilize the
Generative Adversarial Networks (GAN) technique, which was implemented on MNIST
and Driving datasets. The style transferring capability has been observed very
effective in adding additional visual effects, replacing image elements, and
style-shifting (virtual image to real images). The GAN-based testing sample
generation system was shown to be the next frontier for automated testing for
deep learning systems.
- Abstract（参考訳）: 本研究では,異なる行動基準に基づく深層学習システムのための自動テストシステムの構築について検討した。
自動テストの目標は、テスト中のモデルからの差分行動の最大化と、ニューロンのカバレッジの最大化の2つの目的関数を共同で最適化することで達成された。
テストイテレーション毎に3つの事前学習モデルの差動挙動を観察することにより,誤フィードバックを誘発する入力画像をコーナーケースとして登録した。
生成されたコーナーケースは、DNNのロバスト性を調べ、結果としてモデルの精度を向上させるために使用できる。
DeepXploreと呼ばれるプロジェクトもベースラインモデルとして使用された。
ベースラインシステムを完全に実装して最適化した後、新たに生成されたコーナーケースによる強化トレーニングデータセットとして、そのアプリケーションを調査した。
GTRSBデータセットでは、自動生成されたコーナーケースに基づいてモデルをトレーニングすることで、3つのジェネリックモデルの精度がそれぞれ259.2%、53.6%、58.3%向上した。
さらに,自動テストの能力を高めるために,ディファレンシャルな行動基準に基づいて,ディープラーニングシステムのためのフォトリアリスティックな画像を生成する方法を検討した。
ひとつのアプローチは、ディープラーニングフレームワークのシードイメージにさまざまな変換を適用することだった。
もうひとつのアプローチは,MNIST と Driving データセット上に実装されたGenerative Adversarial Networks (GAN) 技術を利用することであった。
スタイル転送機能は、視覚効果の追加、画像要素の置き換え、スタイルシフト(仮想イメージを実画像に置き換える)に非常に効果的である。
GANベースのテストサンプル生成システムは、ディープラーニングシステムの自動テストの次のフロンティアであることが示されている。
関連論文リスト
- Efficient Domain Augmentation for Autonomous Driving Testing Using Diffusion Models [7.649716717097431]
本稿では,ADS(Autonomous Driving Systems)システムレベルのテストを強化するために,生成人工知能技術と物理ベースシミュレータの統合について検討する。
本研究では拡散モデルに基づく3つの生成戦略の有効性と計算オーバーヘッドを評価する。
セマンティックセグメンテーションに基づく不適切な入力に対して,ニューラル生成画像のセマンティックな保存とリアリズムを確保するために,新しい自動検出手法を採用した。
論文 参考訳（メタデータ） (2024-09-20T17:09:45Z) - Masked Generative Extractor for Synergistic Representation and 3D Generation of Point Clouds [6.69660410213287]
我々は,3次元表現学習と生成学習を深く統合する利点を探るため,Point-MGEと呼ばれる革新的なフレームワークを提案する。
形状分類において、Point-MGEはModelNet40データセットで94.2%(+1.0%)、ScanObjectNNデータセットで92.9%(+5.5%)の精度を達成した。
また,非条件条件と条件条件条件条件の両方で,Point-MGEが高品質な3D形状を生成可能であることを確認した。
論文 参考訳（メタデータ） (2024-06-25T07:57:03Z) - Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。
第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。
第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
論文 参考訳（メタデータ） (2024-04-30T18:39:41Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Point-TTA: Test-Time Adaptation for Point Cloud Registration Using
Multitask Meta-Auxiliary Learning [17.980649681325406]
我々は、ポイントクラウド登録(PCR)のための新しいテスト時間適応フレームワークであるPoint-TTAを提案する。
我々のモデルは、テストデータの事前の知識を必要とせずに、テスト時に目に見えない分布に適応することができる。
訓練中は, 補助タスクによる適応モデルにより主タスクの精度が向上するように, メタ補助学習アプローチを用いて訓練を行う。
論文 参考訳（メタデータ） (2023-08-31T06:32:11Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳（メタデータ） (2022-11-09T14:57:27Z) - SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video
Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。
マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。
モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文 参考訳（メタデータ） (2022-07-16T19:25:41Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Semi-Supervised Adversarial Recognition of Refined Window Structures for
Inverse Procedural Fa\c{c}ade Modeling [17.62526990262815]
本稿では,逆手続きモデルに組み込んだ半教師付き対角認識戦略を提案する。
既存の3Dモデリングソフトウェアの内部に、単純なプロシージャエンジンが構築され、きめ細かい窓のジオメトリが生成される。
公開されているファサード画像データセットを用いた実験により、提案したトレーニング戦略により、分類精度が約10%向上できることが判明した。
論文 参考訳（メタデータ） (2022-01-22T06:34:48Z) - MT3: Meta Test-Time Training for Self-Supervised Test-Time Adaption [69.76837484008033]
ディープラーニングの未解決の問題は、ニューラルネットワークがテスト時間中のドメインシフトに対処する能力である。
メタラーニング、自己監督、テストタイムトレーニングを組み合わせて、目に見えないテスト分布に適応する方法を学びます。
この手法はcifar-10による画像分類ベンチマークの最先端結果を大幅に改善する。
論文 参考訳（メタデータ） (2021-03-30T09:33:38Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。