論文の概要: Coverage-Guided Tensor Compiler Fuzzing with Joint IR-Pass Mutation
- arxiv url: http://arxiv.org/abs/2202.09947v1
- Date: Mon, 21 Feb 2022 01:48:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 12:49:48.922212
- Title: Coverage-Guided Tensor Compiler Fuzzing with Joint IR-Pass Mutation
- Title（参考訳）: ジョイントIR-Pass変異を用いたカバーガイド型テンソルコンパイラファジリング
- Authors: Jiawei Liu, Yuxiang Wei, Sen Yang, Yinlin Deng, Lingming Zhang
- Abstract要約: 広範に使われているTVMテンソルコンパイラのためのファジィ手法であるTzerを提案する。
以上の結果から,Tzerはテンソルコンパイラテストにおいて,既存のファジリング技術よりも大幅に優れていることがわかった。
これまでTzerは、TVMの49の既知のバグを検出し、37のバグが確認され、25のバグが修正された。
- 参考スコア（独自算出の注目度）: 20.519361342905775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the past decade, Deep Learning (DL) systems have been widely deployed in
various domains to facilitate our daily life. Meanwhile, it is extremely
challenging to ensure the correctness of DL systems (e.g., due to their
intrinsic nondeterminism), and bugs in DL systems can cause serious
consequences and may even threaten human lives. In the literature, researchers
have explored various techniques to test, analyze, and verify DL models, since
their quality directly affects the corresponding system behaviors. Recently,
researchers have also proposed novel techniques for testing the underlying
operator-level DL libraries (such as TensorFlow and PyTorch), which provide
general binary implementations for each high-level DL operator for running
various DL models on many platforms. However, there is still limited work
targeting the reliability of the emerging tensor compilers, which aim to
directly compile high-level tensor computation graphs into high-performance
binaries for better efficiency, portability, and scalability. In this paper, we
target the important problem of tensor compiler testing, and have proposed
Tzer, a practical fuzzing technique for the widely used TVM tensor compiler.
Tzer focuses on mutating the low-level Intermediate Representation (IR) for TVM
due to the limited mutation space for the high-level IR. More specifically,
Tzer leverages both general-purpose and tensor-compiler-specific mutators
guided by coverage feedback for evolutionary IR mutation; furthermore, Tzer
also performs pass mutation in tandem with IR mutation for more effective
fuzzing. Our results show that Tzer substantially outperforms existing fuzzing
techniques on tensor compiler testing, with 75% higher coverage and 50% more
valuable tests than the 2nd-best technique. To date, Tzer has detected 49
previously unknown bugs for TVM, with 37 bugs confirmed and 25 bugs fixed (PR
merged).
- Abstract（参考訳）: 過去10年間で、ディープラーニング(DL)システムは、日々の生活を促進するために様々な領域に広く展開されてきた。
一方、DLシステムの正しさ(例えば、本質的な非決定性のため)を保証することは極めて困難であり、DLシステムのバグは深刻な結果をもたらし、人間の生命を脅かす恐れがある。
文献では、その品質が対応するシステムの振る舞いに直接影響するため、dlモデルをテスト、分析、検証するための様々な技術が研究されている。
最近、研究者は、多くのプラットフォームでさまざまなDLモデルを実行するために、各高レベルのDL演算子に対して一般的なバイナリ実装を提供する、基礎となるオペレータレベルのDLライブラリ(TensorFlowやPyTorchなど)をテストする新しいテクニックも提案している。
しかし、高レベルのテンソル計算グラフを高性能バイナリに直接コンパイルし、効率、ポータビリティ、スケーラビリティを向上させることを目的とした、新興テンソルコンパイラの信頼性を目標とする作業はまだ限られている。
本稿では,テンソルコンパイラテストの重要な問題をターゲットにし,広く使用されているTVMテンソルコンパイラのファジリング技術であるTzerを提案する。
Tzerは、高レベルIRの限られた突然変異空間のため、TVMの低レベル中間表現(IR)の変異に焦点を当てている。
より具体的には、Tzerは進化的IR突然変異のカバレッジフィードバックによって誘導される汎用とテンソルコンパイラ特異的変異体の両方を活用する。
以上の結果から,Tzer はテンソルコンパイラテストにおいて既存のファジリング手法を著しく上回り,75% のカバレッジ,50% の有意なテストを行うことができた。
これまでTzerは、TVMの49の既知のバグを検出し、37のバグが確認され、25のバグが修正された(PRマージ)。
関連論文リスト
- ADer: A Comprehensive Benchmark for Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい異常検出手法のモジュラーフレームワークであるtextbftextitADerを提案する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection [54.545054873239295]
ディープフェイクは、最近、国民の間で重大な信頼問題とセキュリティ上の懸念を提起した。
ViT法はトランスの表現性を生かし,優れた検出性能を実現する。
この研究は、汎用的でパラメータ効率のよいViTベースのアプローチであるFace Forgery Detection (MoE-FFD)のためのMixture-of-Expertsモジュールを導入する。
論文 参考訳（メタデータ） (2024-04-12T13:02:08Z) - IRFuzzer: Specialized Fuzzing for LLVM Backend Code Generation [3.7297002723174235]
IRFuzzerを実装し,LLVMコンパイラバックエンドのファジィ化の有効性について検討する。
IRFuzzerのミューテータは、構造化制御フロー、ベクトルタイプ、関数定義を含む幅広いLLVM IR入力を生成することができる。
IRFuzzer は 29 の成熟した LLVM バックエンドターゲットにファジィをファジィ化することで,既存のファジィよりも有効であることを示す。
論文 参考訳（メタデータ） (2024-02-07T21:02:33Z) - NeuRI: Diversifying DNN Generation via Inductive Rule Inference [16.463237407360594]
NeuRIは、有効な多様なディープラーニングモデルを生成するための、完全に自動化されたアプローチである。
NeuRIは、最先端のモデルレベルのファザよりも、PyTorchのブランチカバレッジを24%と15%改善する。
論文 参考訳（メタデータ） (2023-02-04T23:42:07Z) - Fuzzing Deep Learning Compilers with HirGen [12.068825031724229]
HirGenは、ハイレベルIRの最適化において、コーディングミスを効果的に露呈することを目的とした自動テスト技術である。
HirGenは、TVMで発生した21のバグを正常に検出し、17のバグが確認され、12が修正された。
実験の結果,HirGenは48時間以内にベースラインで検出できない10のクラッシュや不整合を検出することができた。
論文 参考訳（メタデータ） (2022-08-03T16:26:30Z) - MULTIPAR: Supervised Irregular Tensor Factorization with Multi-task
Learning [19.67636717572317]
PARAFAC2は有意義な医療概念(フェノタイプ)の抽出に成功している
マルチタスク学習を用いた教師付き不規則なテンソル分解法である MultiPAR を提案する。
論文 参考訳（メタデータ） (2022-08-01T17:07:23Z) - Finding Deep-Learning Compilation Bugs with NNSmith [20.082492391396933]
本稿では,ディープラーニングコンパイラのバグ発見のためのファズテスト手法を提案する。
我々の中核的なアプローチは、(i)軽量な演算子仕様を使用して、多種多様な有効なモデルを生成し、(ii)勾配ベースの探索プロセスを作成し、(iii)差分テストによってバグを特定します。
我々は,この手法をNSmithで実施し,TVM,RT,ONNXRuntime,PyTorchの過去7ヶ月で65の新たなバグを発見した。そのうち52件が確認され,メンテナによって44件が修正されている。
論文 参考訳（メタデータ） (2022-07-26T17:39:51Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳（メタデータ） (2022-06-14T13:22:19Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Visible-Thermal UAV Tracking: A Large-Scale Benchmark and New Baseline [80.13652104204691]
本稿では,可視熱UAV追跡(VTUAV)のための高多様性の大規模ベンチマークを構築する。
本稿では, フレームレベルの属性を, チャレンジ固有のトラッカーの可能性を利用するための粗粒度属性アノテーションを提案する。
さらに,様々なレベルでRGB-Tデータを融合するHMFT(Hierarchical Multi-modal Fusion Tracker)という新しいRGB-Tベースラインを設計する。
論文 参考訳（メタデータ） (2022-04-08T15:22:33Z) - Accelerated Convergence for Counterfactual Learning to Rank [65.63997193915257]
IPS重み付き勾配を持つSGD手法の収束速度は、IPS重みによる大きなばらつきに悩まされることを示す。
本稿では,従来のIPS重み付け勾配降下法よりも優れた収束性を有する新しい学習アルゴリズムであるCounterSampleを提案する。
我々は、CounterSampleがより早く収束し、理論的な結果と経験的な結果とを補完することを証明する。
論文 参考訳（メタデータ） (2020-05-21T12:53:36Z)
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。