論文の概要: An Empirical Study on Deployment Faults of Deep Learning Based Mobile Applications

• arxiv url: http://arxiv.org/abs/2101.04930v2
• Date: Wed, 10 Feb 2021 15:12:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-03 19:01:51.481480
• Title: An Empirical Study on Deployment Faults of Deep Learning Based Mobile Applications
• Title（参考訳）: 深層学習に基づくモバイルアプリケーションの展開障害に関する実証的研究
• Authors: Zhenpeng Chen and Huihan Yao and Yiling Lou and Yanbin Cao and Yuanqiang Liu and Haoyu Wang and Xuanzhe Liu
• Abstract要約: モバイルディープラーニング(DL)アプリは、大規模データを使用してトレーニングされたDLモデルとDLプログラムを統合する。 本稿では,モバイルdlアプリのデプロイ障害に関する最初の総合的研究を行う。 我々は,断層症状に関する23のカテゴリからなる微粒度分類を構築し,異なる断層タイプに対する共通修正戦略を蒸留する。
• 参考スコア（独自算出の注目度）: 7.58063287182615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning (DL) is finding its way into a growing number of mobile software applications. These software applications, named as DL based mobile applications (abbreviated as mobile DL apps) integrate DL models trained using large-scale data with DL programs. A DL program encodes the structure of a desirable DL model and the process by which the model is trained using training data. Due to the increasing dependency of current mobile apps on DL, software engineering (SE) for mobile DL apps has become important. However, existing efforts in SE research community mainly focus on the development of DL models and extensively analyze faults in DL programs. In contrast, faults related to the deployment of DL models on mobile devices (named as deployment faults of mobile DL apps) have not been well studied. Since mobile DL apps have been used by billions of end users daily for various purposes including for safety-critical scenarios, characterizing their deployment faults is of enormous importance. To fill the knowledge gap, this paper presents the first comprehensive study on the deployment faults of mobile DL apps. We identify 304 real deployment faults from Stack Overflow and GitHub, two commonly used data sources for studying software faults. Based on the identified faults, we construct a fine-granularity taxonomy consisting of 23 categories regarding to fault symptoms and distill common fix strategies for different fault types. Furthermore, we suggest actionable implications and research avenues that could further facilitate the deployment of DL models on mobile devices.
• Abstract（参考訳）: ディープラーニング(DL)は、ますます多くのモバイルソフトウェアアプリケーションに浸透しつつある。 これらのソフトウェアアプリケーションは、DLベースのモバイルアプリケーション(略してモバイルDLアプリケーション)と名付けられ、大規模なデータを使って訓練されたDLモデルをDLプログラムに統合する。 dlプログラムは、望ましいdlモデルの構造と、モデルをトレーニングデータを用いて訓練するプロセスの構造を符号化する。 現在のモバイルアプリがDLに依存しているため、モバイルDLアプリのソフトウェアエンジニアリング(SE)が重要になっている。 しかし、se研究コミュニティにおける既存の取り組みは主にdlモデルの開発とdlプログラムの障害を広範囲に分析することに焦点を当てている。 対照的に、モバイルデバイス(モバイルDLアプリのデプロイメント障害として知られる)へのDLモデルのデプロイに関連する欠陥は、よく研究されていない。 モバイルDLアプリは、安全クリティカルなシナリオを含むさまざまな目的で毎日何十億ものエンドユーザによって使用されているため、デプロイメントの障害を特徴づけることは非常に重要である。 知識ギャップを埋めるため,モバイルDLアプリの展開障害に関する総合的研究を行った。 私たちはstack overflowとgithubから304の実際のデプロイメント障害を特定しました。 同定された断層に基づいて, 故障症状に関する23の分類と, 異なる故障タイプに対する共通固定戦略からなる粒度分類法を構築した。 さらに、モバイルデバイスへのDLモデルの展開をさらに促進できる実用的な意味と研究方法を提案する。

関連論文リスト

• Fault Localization in Deep Learning-based Software: A System-level Approach [12.546853096298175]
  本稿では,Deep Learning開発パイプライン全体を考慮したシステムレベルのフォールトローカライズアプローチであるFL4Deepを紹介する。 100の障害DLスクリプトを用いた評価では、FL4Deepは6つのDL関連障害のうち3つの精度で4つの従来手法より優れていた。
  論文  参考訳（メタデータ） (2024-11-12T20:32:36Z)
• Science-Informed Deep Learning (ScIDL) With Applications to Wireless Communications [11.472232944923558]
  本稿では,ScIDL(Science-informed Deep Learning)に関するチュートリアルを紹介する。 ScIDLは、既存の科学知識をDL技術と統合し、より強力なアルゴリズムを開発することを目的としている。 我々は、ScidLの最近の応用と、無線通信分野における今後の研究方向性について論じる。
  論文  参考訳（メタデータ） (2024-06-29T02:35:39Z)
• Can LLMs Separate Instructions From Data? And What Do We Even Mean By That? [60.50127555651554]
  大規模言語モデル(LLM)は、多くの実用的なアプリケーションにおいて印象的な結果を示すが、基本的な安全性機能は欠如している。 これにより、間接的なプロンプトインジェクションのような操作に脆弱になり、一般に安全クリティカルなタスクには適さない。 モデル出力から計算可能な命令データ分離の形式的尺度と経験的変量を導入する。
  論文  参考訳（メタデータ） (2024-03-11T15:48:56Z)
• Beyond the Model: Data Pre-processing Attack to Deep Learning Models in Android Apps [3.2307366446033945]
  実世界のディープラーニング(DL)アプリに対するデータ処理ベースの攻撃を導入する。 我々の攻撃は、DLアプリの動作に影響を与えることなく、モデルの性能とレイテンシに影響を与える可能性がある。 MLkitを利用する320のアプリのうち、81.56%が攻撃に成功していることがわかった。
  論文  参考訳（メタデータ） (2023-05-06T07:35:39Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Zeroth-Order SciML: Non-intrusive Integration of Scientific Software with Deep Learning [46.924429562606086]
  本稿では,SKSと深層学習(DL)の学習プロセスを統合することを提案する。 既存の知識統合アプローチは、一階のDLトレーニングパラダイムと互換性のある差別化可能な知識ソースを使用することに限定されます。 提案手法は、DLトレーニングと科学的知識を効果的に統合し、データ限定科学応用のための純粋にデータ駆動モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-04T17:52:42Z)
• A Comprehensive Benchmark of Deep Learning Libraries on Mobile Devices [12.342282138576348]
  6つの代表的なDL libと15の多様化DLモデルを含むベンチマークを構築した。 次に10台のモバイルデバイスで広範な実験を行い、現在のモバイルDL libsエコシステムの全体像を明らかにするのに役立ちます。 最高のパフォーマンスのDL libは、さまざまなモデルやハードウェアで著しく断片化されています。
  論文  参考訳（メタデータ） (2022-02-14T07:00:31Z)
• Towards Training Reproducible Deep Learning Models [26.547756923322126]
  ディープラーニング(DL)モデルは、ソフトウェアにおけるランダム性やハードウェアにおける非決定性といった問題により、再現が困難である。 本稿では,再現可能なDLモデルを学習するための体系的なアプローチを提案する。 ケーススタディでは,6つのオープンソースと1つの商用DLモデルを再現することができた。
  論文  参考訳（メタデータ） (2022-02-04T18:14:39Z)
• A First Look at Class Incremental Learning in Deep Learning Mobile Traffic Classification [68.11005070665364]
  インクリメンタルラーニング(IL)技術を使って、モデルに新しいクラスをフルリトレーニングせずに追加し、モデルのアップデートサイクルを高速化します。 iCarlはアートILメソッドのステートであり、MIRAGE-2019は40のAndroidアプリからのトラフィックを持つパブリックデータセットである。 解析によってその初期段階が明らかになっているにもかかわらず、IL技術は自動DLベースの交通分析システムへのロードマップに関する有望な研究分野である。
  論文  参考訳（メタデータ） (2021-07-09T14:28:16Z)
• Deep Learning and Traffic Classification: Lessons learned from a commercial-grade dataset with hundreds of encrypted and zero-day applications [72.02908263225919]
  商業用DLトラフィック分類エンジンでの経験を共有します。 暗号化トラフィックから既知のアプリケーションや未知のゼロデイアプリケーションを特定します。 DLモデルに合わせ、最新技術よりも正確で軽量な新しい手法を提案します。
  論文  参考訳（メタデータ） (2021-04-07T15:21:22Z)
• A Survey of Deep Active Learning [54.376820959917005]
  アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。 ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。 ディープラーニング(Deep Active Learning, DAL)が誕生した。
  論文  参考訳（メタデータ） (2020-08-30T04:28:31Z)

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。