論文の概要: An Effective Data-Driven Approach for Localizing Deep Learning Faults
- arxiv url: http://arxiv.org/abs/2307.08947v1
- Date: Tue, 18 Jul 2023 03:28:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 17:12:19.457612
- Title: An Effective Data-Driven Approach for Localizing Deep Learning Faults
- Title（参考訳）: 深層学習障害の局所化のための効果的なデータ駆動アプローチ
- Authors: Mohammad Wardat, Breno Dantas Cruz, Wei Le, Hridesh Rajan
- Abstract要約: 問題パターンの学習にモデル機能を活用する新しいデータ駆動手法を提案する。
本手法は,手作業によるマッピングを必要とせず,バグ症状を根本原因に自動的に関連付ける。
以上の結果から,本手法は様々なバグタイプを効果的に検出・診断できることが示唆された。
- 参考スコア（独自算出の注目度）: 20.33411443073181
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Learning (DL) applications are being used to solve problems in critical
domains (e.g., autonomous driving or medical diagnosis systems). Thus,
developers need to debug their systems to ensure that the expected behavior is
delivered. However, it is hard and expensive to debug DNNs. When the failure
symptoms or unsatisfied accuracies are reported after training, we lose the
traceability as to which part of the DNN program is responsible for the
failure. Even worse, sometimes, a deep learning program has different types of
bugs. To address the challenges of debugging DNN models, we propose a novel
data-driven approach that leverages model features to learn problem patterns.
Our approach extracts these features, which represent semantic information of
faults during DNN training. Our technique uses these features as a training
dataset to learn and infer DNN fault patterns. Also, our methodology
automatically links bug symptoms to their root causes, without the need for
manually crafted mappings, so that developers can take the necessary steps to
fix faults. We evaluate our approach using real-world and mutated models. Our
results demonstrate that our technique can effectively detect and diagnose
different bug types. Finally, our technique achieved better accuracy,
precision, and recall than prior work for mutated models. Also, our approach
achieved comparable results for real-world models in terms of accuracy and
performance to the state-of-the-art.
- Abstract（参考訳）: ディープラーニング(DL)アプリケーションは、重要な領域(例えば、自律運転や医療診断システム)の問題を解決するために使用されている。
したがって開発者は、期待される振る舞いが配信されることを保証するために、システムをデバッグする必要がある。
しかし、DNNのデバッグは困難で費用がかかる。
訓練後、障害症状や不満足なアキュラシーが報告されると、dnnプログラムのどの部分が障害の原因であるかのトレーサビリティが失われる。
さらに悪いことに、ディープラーニングプログラムにはさまざまな種類のバグがあります。
DNNモデルのデバッギングの課題に対処するために,モデル機能を活用して問題パターンを学習する,新しいデータ駆動型アプローチを提案する。
提案手法は,DNNトレーニング中の障害の意味情報を表す特徴を抽出する。
本手法は,これらの特徴をトレーニングデータセットとして,dnn障害パターンの学習と推論を行う。
また,手作業で作成したマッピングを必要とせずに,バグの症状を根本原因に自動的にリンクすることで,障害を修正するために必要なステップを開発者に提供する。
実世界と変異モデルを用いたアプローチの評価を行った。
本手法は,様々なバグタイプを効果的に検出・診断できることを示す。
最後に, 変異モデルに対する前処理よりも精度, 精度, 再現性が向上した。
また,本手法は,最先端モデルと比較して精度と性能の点で実世界のモデルに匹敵する結果を得た。
関連論文リスト
- What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。
モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
論文 参考訳（メタデータ） (2024-11-12T09:52:40Z) - Corrective Machine Unlearning [22.342035149807923]
我々は、未知の操作が学習モデルに与える影響を緩和する問題として、矯正機械学習を定式化する。
削除セットを使わずにスクラッチから再学習するなど、既存の未学習手法の多くは、有効な修正未学習のために、操作されたデータの大部分を識別する必要がある。
選択的シナプス減衰法(Selective Synaptic Dampening)は, 操作したサンプルのごく一部で, 有害な効果を学習することなく, 限られた成功を達成している。
論文 参考訳（メタデータ） (2024-02-21T18:54:37Z) - Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning
Interference with Gradient Projection [56.292071534857946]
最近のデータプライバシ法は、機械学習への関心を喚起している。
課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。
我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。
トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
論文 参考訳（メタデータ） (2023-12-07T07:17:24Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - Adversarial Learning Networks: Source-free Unsupervised Domain
Incremental Learning [0.0]
非定常環境では、DNNモデルの更新にはパラメータの再トレーニングやモデル微調整が必要である。
DNN分類モデルを更新するための教師なしソースフリー手法を提案する。
既存の手法とは異なり,本手法では過去のトレーニングデータを格納することなく,非定常的なソースとターゲットタスクに対して段階的にDNNモデルを更新することができる。
論文 参考訳（メタデータ） (2023-01-28T02:16:13Z) - Testing Feedforward Neural Networks Training Programs [13.249453757295083]
ディープニューラルネットワークの動作の不整合を露呈するテストケースを生成するために、複数のテスト技術が提案されている。
これらのテクニックは、トレーニングプログラムがバグフリーで適切に設定されていることを暗黙的に仮定する。
本稿では,DNNトレーニングプログラムのエンドツーエンドなプロパティベースのデバッグ手法であるTheDeepCheckerを提案する。
論文 参考訳（メタデータ） (2022-04-01T20:49:14Z) - DapStep: Deep Assignee Prediction for Stack Trace Error rePresentation [61.99379022383108]
本稿では,バグトリアージ問題を解決するための新しいディープラーニングモデルを提案する。
モデルは、注目された双方向のリカレントニューラルネットワークと畳み込みニューラルネットワークに基づいている。
ランキングの質を向上させるために,バージョン管理システムのアノテーションから追加情報を利用することを提案する。
論文 参考訳（メタデータ） (2022-01-14T00:16:57Z) - DeepDiagnosis: Automatically Diagnosing Faults and Recommending
Actionable Fixes in Deep Learning Programs [12.917211542949786]
本稿では,障害の局所化,エラー症状の報告,DNNプログラムの修正を提案する新しいアプローチであるDeepDiagnosisを提案する。
DeepDiagnosisは、他のアプローチと比較して、障害の検出、バグのローカライゼーション、および症状の識別の最も優れた能力を示す。
論文 参考訳（メタデータ） (2021-12-07T23:15:23Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳（メタデータ） (2021-10-20T14:23:54Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z)
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。