論文の概要: Scalpel: Automotive Deep Learning Framework Testing via Assembling Model Components

• arxiv url: http://arxiv.org/abs/2510.21451v2
• Date: Thu, 30 Oct 2025 14:18:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 13:50:54.709301
• Title: Scalpel: Automotive Deep Learning Framework Testing via Assembling Model Components
• Title（参考訳）: Scalpel: モデルコンポーネントの組み立てによる自動車用ディープラーニングフレームワークのテスト
• Authors: Yinglong Zou, Juan Zhai, Chunrong Fang, An Guo, Jiawei Liu, Zhenyu Chen,
• Abstract要約: ディープラーニング(DL)は、自律運転システムにおいて重要な役割を果たす。 自律運転システムにDLモデルをデプロイすることは、リアルタイム処理、限られた計算資源、厳格な電力制約など、厳しい課題に直面します。 本稿では,テスト入力モデルをモデルコンポーネントレベルで生成する自動車用DLフレームワークテスト手法であるScalpelを提案する。
• 参考スコア（独自算出の注目度）: 25.866120477920035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) plays a key role in autonomous driving systems. DL models support perception modules, equipped with tasks such as object detection and sensor fusion. These DL models enable vehicles to process multi-sensor inputs to understand complex surroundings. Deploying DL models in autonomous driving systems faces stringent challenges, including real-time processing, limited computational resources, and strict power constraints. To address these challenges, automotive DL frameworks (e.g., PaddleInference) have emerged to optimize inference efficiency. However, these frameworks encounter unique quality issues due to their more complex deployment environments, such as crashes stemming from limited scheduled memory and incorrect memory allocation. Unfortunately, existing DL framework testing methods fail to detect these quality issues due to the failure in deploying generated test input models, as these models lack three essential capabilities: (1) multi-input/output tensor processing, (2) multi-modal data processing, and (3) multi-level data feature extraction. These capabilities necessitate specialized model components, which existing testing methods neglect during model generation. To bridge this gap, we propose Scalpel, an automotive DL frameworks testing method that generates test input models at the model component level. Scalpel generates models by assembling model components (heads, necks, backbones) to support capabilities required by autonomous driving systems. Specifically, Scalpel maintains and updates a repository of model components, generating test inputs by selecting, mutating, and assembling them. Successfully generated models are added back to enrich the repository. Newly generated models are then deployed within the autonomous driving system to test automotive DL frameworks via differential testing.
• Abstract（参考訳）: ディープラーニング(DL)は、自律運転システムにおいて重要な役割を果たす。 DLモデルは、物体検出やセンサー融合などのタスクを備えた知覚モジュールをサポートする。 これらのDLモデルにより、車両は複雑な環境を理解するためにマルチセンサー入力を処理できる。 自律運転システムにDLモデルをデプロイすることは、リアルタイム処理、限られた計算資源、厳格な電力制約など、厳しい課題に直面します。 これらの課題に対処するため、推論効率を最適化するために、自動車用DLフレームワーク(例:PaddleInference)が登場した。 しかしながら、これらのフレームワークは、限られたスケジュールメモリと不正なメモリ割り当てに起因するクラッシュなど、より複雑なデプロイメント環境のために、独自の品質問題に直面している。 残念ながら、既存のDLフレームワークテスト手法では、生成したテスト入力モデルのデプロイに失敗するため、これらの品質問題を検出することができず、(1)マルチインプット/アウトプットテンソル処理、(2)マルチモーダルデータ処理、(3)マルチレベルデータ特徴抽出の3つの重要な機能がない。 これらの機能は、既存のテストメソッドがモデル生成時に無視する特殊なモデルコンポーネントを必要とする。 このギャップを埋めるために、モデルコンポーネントレベルでテスト入力モデルを生成する自動DLフレームワークテスト手法であるScalpelを提案する。 Scalpelはモデルコンポーネント(ヘッド、ネック、バックボーン)を組み立ててモデルを生成し、自律運転システムに必要な機能をサポートする。 具体的には、Scalpelはモデルコンポーネントのリポジトリをメンテナンスし、更新し、それらを選択し、変更し、組み立てることでテストインプットを生成する。 うまく生成されたモデルが追加されてリポジトリが強化される。 新たに生成されたモデルは、自律運転システム内にデプロイされ、差分テストを介して自動車用DLフレームワークをテストする。

関連論文リスト

• OptMerge: Unifying Multimodal LLM Capabilities and Modalities via Model Merging [124.91183814854126]
  モデルマージは、複数のエキスパートモデルをひとつのモデルに組み合わせようとしている。 本稿ではMLLMのトレーニングと評価のタスクを明確に分割したモデルマージ研究のベンチマークを紹介する。 モデルマージは、トレーニングデータを必要とせずに改善されたMLLMを構築するための有望な方法であることがわかった。
  論文  参考訳（メタデータ） (2025-05-26T12:23:14Z)
• CodeMerge: Codebook-Guided Model Merging for Robust Test-Time Adaptation in Autonomous Driving [28.022501313260648]
  既存のテスト時間適応法は、不安定な最適化とシャープなミニマのために、3Dオブジェクト検出のような高分散タスクで失敗することが多い。 CodeMergeはスケーラブルなモデルマージフレームワークで、コンパクトな潜在空間で操作することでこれらの制限を回避します。 提案手法は,NuScenes-C と LiDAR による7.6% mAP 以上の検出において,エンドツーエンドの3D 検出 14.9% NDS を向上する。
  論文  参考訳（メタデータ） (2025-05-22T11:09:15Z)
• Enhancing Vehicle Make and Model Recognition with 3D Attention Modules [1.4999444543328293]
  自動車製造・モデル認識(VMMR)は、インテリジェントトランスポートシステムの重要なコンポーネントである。 本研究では,クラス間の類似性とクラス内変動に対処するアテンションモジュールを実装した。 提案モデルでは,アテンションモジュールを,畳み込みモデルの中間部分にある2つの異なる場所に統合する。
  論文  参考訳（メタデータ） (2025-02-21T11:52:56Z)
• CAR: Controllable Autoregressive Modeling for Visual Generation [100.33455832783416]
  Controllable AutoRegressive Modeling (CAR)は、条件制御をマルチスケールの潜在変数モデリングに統合する新しいプラグイン・アンド・プレイフレームワークである。 CARは、制御表現を徐々に洗練し、キャプチャし、前訓練されたモデルの各自己回帰ステップに注入して生成プロセスを導く。 提案手法は,様々な条件にまたがって優れた制御性を示し,従来の手法に比べて画質の向上を実現している。
  論文  参考訳（メタデータ） (2024-10-07T00:55:42Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Quantized Distillation: Optimizing Driver Activity Recognition Models for Resource-Constrained Environments [34.80538284957094]
  本稿では,資源効率の高いドライバアクティビティ認識のための軽量フレームワークを提案する。 このフレームワークは、ビデオ分類のスピードに最適化されたニューラルネットワークである3D MobileNetを強化する。 モデルサイズを3倍に削減し、推論時間を1.4倍改善する。
  論文  参考訳（メタデータ） (2023-11-10T10:07:07Z)
• Dissecting Multimodality in VideoQA Transformer Models by Impairing Modality Fusion [54.33764537135906]
  VideoQA Transformerモデルは標準ベンチマークで競合性能を示す。 これらのモデルはビデオとテキストからリッチなマルチモーダル構造とダイナミックスを一緒に捉えていますか? 彼らはバイアスと刺激的な特徴を利用して高いスコアを達成していますか?
  論文  参考訳（メタデータ） (2023-06-15T06:45:46Z)
• Domain-aware Control-oriented Neural Models for Autonomous Underwater Vehicles [2.4779082385578337]
  ドメイン認識のレベルが異なる制御指向パラメトリックモデルを提案する。 データ駆動型ブラックボックスとAUVダイナミクスのグレイボックス表現を構築するために、普遍微分方程式を用いる。
  論文  参考訳（メタデータ） (2022-08-15T17:01:14Z)
• Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
  自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。 SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。 SFSCは評価データセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-06-16T16:46:32Z)
• Scanflow: A multi-graph framework for Machine Learning workflow management, supervision, and debugging [0.0]
  本稿では,エンドツーエンドの機械学習ワークフロー管理を支援するコンテナ化指向グラフフレームワークを提案する。 このフレームワークは、コンテナ内でMLを定義してデプロイし、メタデータを追跡し、本番環境での振る舞いを確認し、学習された知識と人為的な知識を使用してモデルを改善する。
  論文  参考訳（メタデータ） (2021-11-04T17:01:12Z)

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。