論文の概要: DeepHyperion: Exploring the Feature Space of Deep Learning-Based Systems
through Illumination Search
- arxiv url: http://arxiv.org/abs/2107.06997v1
- Date: Mon, 5 Jul 2021 09:14:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 12:33:57.842187
- Title: DeepHyperion: Exploring the Feature Space of Deep Learning-Based Systems
through Illumination Search
- Title（参考訳）: DeepHyperion: 照度探索によるディープラーニングシステムの特徴空間の探索
- Authors: Tahereh Zohdinasab, Vincenzo Riccio, Alessio Gambi, and Paolo Tonella
- Abstract要約: Illumination Searchを使って、最も優れたテストケースを見つけます。
DeepHyperion(ディープハイパーリオン)は、DLシステムのための検索ベースのツールである。
- 参考スコア（独自算出の注目度）: 7.302479575919379
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Learning (DL) has been successfully applied to a wide range of
application domains, including safety-critical ones. Several DL testing
approaches have been recently proposed in the literature but none of them aims
to assess how different interpretable features of the generated inputs affect
the system's behaviour. In this paper, we resort to Illumination Search to find
the highest-performing test cases (i.e., misbehaving and closest to
misbehaving), spread across the cells of a map representing the feature space
of the system. We introduce a methodology that guides the users of our approach
in the tasks of identifying and quantifying the dimensions of the feature space
for a given domain. We developed DeepHyperion, a search-based tool for DL
systems that illuminates, i.e., explores at large, the feature space, by
providing developers with an interpretable feature map where automatically
generated inputs are placed along with information about the exposed
behaviours.
- Abstract（参考訳）: Deep Learning (DL)は、安全クリティカルなものを含む幅広いアプリケーション領域にうまく適用されている。
最近、いくつかのDLテスト手法が文献で提案されているが、いずれも、生成された入力の異なる解釈可能な特徴がシステムの振る舞いに与える影響を評価することを目的としていない。
本稿では,システムの特徴空間を表すマップのセルにまたがる,最もパフォーマンスの高いテストケース(誤動作,誤動作に最も近い)を見つけるために,照明探索を行う。
我々は、あるドメインの機能空間の次元を特定し定量化するタスクにおいて、我々のアプローチのユーザを導く方法論を紹介します。
私たちはDeepHyperionを開発した。DeepHyperionはDLシステムのための検索ツールで、開発者に対して、自動生成された入力を露出した振る舞いに関する情報とともに配置する解釈可能な機能マップを提供することで、大きな機能領域を探索する。
関連論文リスト
- SurANet: Surrounding-Aware Network for Concealed Object Detection via Highly-Efficient Interactive Contrastive Learning Strategy [55.570183323356964]
本稿では,隠蔽物体検出のための新しいSurrounding-Aware Network,すなわちSurANetを提案する。
周辺特徴の差分融合を用いて特徴写像のセマンティクスを強化し,隠蔽対象の強調を行う。
次に、周囲の特徴写像を対照的に学習することで隠蔽対象を識別するために、周囲のコントラストロスを適用した。
論文 参考訳（メタデータ） (2024-10-09T13:02:50Z) - Deep Learning System Boundary Testing through Latent Space Style Mixing [3.4561220135252277]
テスト中の深層学習システムのためのフロンティア入力を生成する新しいブラックボックスシステム非依存テストジェネレータMIMICRYを紹介する。
MIMICRYは、アンタングルされた特徴を持つ入力の表現を学ぶために訓練されたスタイルベースの生成敵ネットワークを使用する。
一般的な4つのDL画像分類システムにおける境界入力生成におけるMIMICRY構成の有効性を評価した。
論文 参考訳（メタデータ） (2024-08-12T16:14:55Z) - Depth Prompting for Sensor-Agnostic Depth Estimation [19.280536006736575]
我々は,新しい深度分布に応じて望ましい特徴表現を可能にするために,新しい深度プロンプトモジュールを設計する。
提案手法は,事前学習したモデルに対して,深度スキャン範囲の制限を不要とし,絶対スケールの深度マップを提供する。
論文 参考訳（メタデータ） (2024-05-20T08:19:08Z) - Deep Metric Learning for Computer Vision: A Brief Overview [4.980117530293724]
深層ニューラルネットワークを最適化する目的関数は、入力データの強化された特徴表現を作成する上で重要な役割を果たす。
Deep Metric Learningは、データサンプル間の類似度を測定する方法の開発を目指している。
本稿では、この領域における最近の進歩の概要と最先端のDeep Metric Learningアプローチについて論じる。
論文 参考訳（メタデータ） (2023-12-01T21:53:36Z) - Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。
より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。
提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
論文 参考訳（メタデータ） (2023-11-19T09:41:10Z) - Searching a High-Performance Feature Extractor for Text Recognition
Network [92.12492627169108]
優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。
空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。
本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-09-27T03:49:04Z) - Deep Depth Completion: A Survey [26.09557446012222]
我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。
ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。
室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
論文 参考訳（メタデータ） (2022-05-11T08:24:00Z) - Towards Real-World Prohibited Item Detection: A Large-Scale X-ray
Benchmark [53.9819155669618]
本稿では,PIDrayと命名された大規模データセットについて述べる。
大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。
提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
論文 参考訳（メタデータ） (2021-08-16T11:14:16Z) - DISCO: Dynamic and Invariant Sensitive Channel Obfuscation for deep
neural networks [19.307753802569156]
特徴空間における機密情報を選択的に難読化するための動的およびデータ駆動型プルーニングフィルタを学習するdisCOを提案する。
また,100万のセンシティブ表現を用いた評価ベンチマークデータセットをリリースし,新たな攻撃手法の厳格な探索を奨励する。
論文 参考訳（メタデータ） (2020-12-20T21:15:13Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-06-19T18:57:51Z) - Deep Metric Structured Learning For Facial Expression Recognition [58.7528672474537]
本研究では,よく定義された構造を持つ組込み部分空間を作成するための深度計量学習モデルを提案する。
これらの部分空間を作成するために、出力空間上にガウス構造を課す新しい損失関数が導入された。
学習した埋め込みは,表現検索や感情認識など,様々な応用に有効であることが実験的に実証された。
論文 参考訳（メタデータ） (2020-01-18T06:23:18Z)
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。