論文の概要: TopoMap: A Feature-based Semantic Discriminator of the Topographical Regions in the Test Input Space

• arxiv url: http://arxiv.org/abs/2509.03242v1
• Date: Wed, 03 Sep 2025 11:57:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.506461
• Title: TopoMap: A Feature-based Semantic Discriminator of the Topographical Regions in the Test Input Space
• Title（参考訳）: TopoMap:テスト入力空間における地形領域の特徴に基づく意味判別器
• Authors: Gianmarco De Vita, Nargiz Humbatova, Paolo Tonella,
• Abstract要約: ディープラーニング(DL)ベースのシステムをテストすることはオープンな課題です。 入力特徴空間の明示的な地形図を作成する。 このアプローチはTopoMapと呼ばれ、ブラックボックスとモデルに依存しません。
• 参考スコア（独自算出の注目度）: 8.844699137494105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Testing Deep Learning (DL)-based systems is an open challenge. Although it is relatively easy to find inputs that cause a DL model to misbehave, the grouping of inputs by features that make the DL model under test fail is largely unexplored. Existing approaches for DL testing introduce perturbations that may focus on specific failure-inducing features, while neglecting others that belong to different regions of the feature space. In this paper, we create an explicit topographical map of the input feature space. Our approach, named TopoMap, is both black-box and model-agnostic as it relies solely on features that characterise the input space. To discriminate the inputs according to the specific features they share, we first apply dimensionality reduction to obtain input embeddings, which are then subjected to clustering. Each DL model might require specific embedding computations and clustering algorithms to achieve a meaningful separation of inputs into discriminative groups. We propose a novel way to evaluate alternative configurations of embedding and clustering techniques. We used a deep neural network (DNN) as an approximation of a human evaluator who could tell whether a pair of clusters can be discriminated based on the features of the included elements. We use such a DNN to automatically select the optimal topographical map of the inputs among all those that are produced by different embedding/clustering configurations. The evaluation results show that the maps generated by TopoMap consist of distinguishable and meaningful regions. In addition, we evaluate the effectiveness of TopoMap using mutation analysis. In particular, we assess whether the clusters in our topographical map allow for an effective selection of mutation-killing inputs. Experimental results show that our approach outperforms random selection by 35% on average on killable mutants; by 61% on non-killable ones.
• Abstract（参考訳）: ディープラーニング(DL)ベースのシステムをテストすることはオープンな課題です。 DLモデルを誤動作させるインプットは比較的容易に見つけることができるが、テスト中のDLモデルをフェールさせる機能によるインプットのグループ化は、ほとんど探索されていない。 既存のDLテストのアプローチでは、機能領域の異なる領域に属するものを無視しながら、特定の障害を引き起こす機能にフォーカスする摂動が導入されている。 本稿では,入力特徴空間の明示的な地形図を作成する。 われわれのアプローチはTopoMapと呼ばれ、入力空間を特徴付ける機能にのみ依存するため、ブラックボックスとモデルに依存しない。 共有する特定の特徴に応じて入力を識別するために、まず次元還元を適用して入力埋め込みを取得し、クラスタリングする。 各DLモデルは、特定の埋め込み計算とクラスタリングアルゴリズムを必要として、入力を識別グループに有意義に分離する。 組込みおよびクラスタリング手法の代替構成を評価する新しい手法を提案する。 我々は、ディープニューラルネットワーク(DNN)を人間の評価器の近似として使用し、その要素の特徴に基づいて、一対のクラスタを識別できるかどうかを判断した。 このようなDNNを用いて、異なる埋め込み/クラスタリング構成によって生成されるすべての入力の最適地形マップを自動的に選択する。 評価結果は,東方地図が生成した地図は,識別可能な地域と意味のある地域から構成されていることを示している。 さらに, 突然変異解析によるTopoMapの有効性について検討した。 特に、我々の地形図のクラスタが、突然変異キリング入力を効果的に選択できるかどうかを評価する。 実験の結果, 致死性変異株では平均35%, 非致死性変異株では61%, ランダム選択率は35%であった。

関連論文リスト

• Model-based feature selection for neural networks: A mixed-integer programming approach [0.9281671380673306]
  我々は、ReLUに基づくディープニューラルネットワーク(DNN)のための新しい入力特徴選択フレームワークを開発する。 提示の明確化のための画像分類のための入力特徴の発見に焦点をあてる。 提案した入力特徴選択により,適切な分類精度を維持しつつ,入力のサイズを$sim$15%に劇的に削減できることを示す。
  論文  参考訳（メタデータ） (2023-02-20T22:19:50Z)
• Self-Supervised Clustering on Image-Subtracted Data with Deep-Embedded Self-Organizing Map [0.0]
  自己教師型機械学習モデルであるdeep-embedded self-organizing map (DESOM)を実ボガス分類問題に適用する。 我々は異なるモデルトレーニング手法を実証し、最良のDESOM分類器は検出率6.6%、偽陽性率1.5%を示した。
  論文  参考訳（メタデータ） (2022-09-14T02:37:06Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• Smoothed Embeddings for Certified Few-Shot Learning [63.68667303948808]
  我々はランダムな平滑化を数ショットの学習モデルに拡張し、入力を正規化された埋め込みにマッピングする。 この結果は、異なるデータセットの実験によって確認される。
  論文  参考訳（メタデータ） (2022-02-02T18:19:04Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• A Boundary Regression Model for Nested Named Entity Recognition [17.968819067122418]
  名前付きエンティティ(NE)の認識は、文中のNE候補のクラスタグを予測する分類問題として一般的に行われる。 ニューラルネットワークの最近の進歩は、特徴を連続表現に分類する深い構造を採用している。 本稿では,文中のNEを見つけるために回帰演算を導入する。
  論文  参考訳（メタデータ） (2020-11-29T10:04:38Z)
• A Survey and Implementation of Performance Metrics for Self-Organized Maps [0.0]
  自己組織化マップアルゴリズムは、様々なアプリケーションドメインで40年近く使われてきた。 本稿では、使用例とともに、モジュールで利用可能なメトリクスについて紹介する。
  論文  参考訳（メタデータ） (2020-11-11T15:28:33Z)
• Differentiable Hierarchical Graph Grouping for Multi-Person Pose Estimation [95.72606536493548]
  複数の人の身体のキーポイントを同時にローカライズするため、複数の人物のポーズ推定は困難である。 ボトムアップ型多人数ポーズ推定タスクにおけるグラフグループ化を学習するための,新しい微分可能な階層グラフグループ化(HGG)手法を提案する。
  論文  参考訳（メタデータ） (2020-07-23T08:46:22Z)

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。