論文の概要: Testing Neural Networks via Bayesian-Guided Exploration of Decision Landscapes

• arxiv url: http://arxiv.org/abs/2606.04314v1
• Date: Wed, 03 Jun 2026 00:42:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.446853
• Title: Testing Neural Networks via Bayesian-Guided Exploration of Decision Landscapes
• Title（参考訳）: ベイジアンガイドによる決定景観探索によるニューラルネットワークの検証
• Authors: Bin Duan, Meiru Che, Guowei Yang,
• Abstract要約: BayesWarpは、決定クリティカルな入力領域を変更し、テストプロセスを適応的にガイドするテストフレームワークである。 ベイズワープは, 異常発見, 故障の多様性, テストケースの品質, 重要なニューロンカバレッジを, 一定の突然変異予算の下で改善することを示した。
• 参考スコア（独自算出の注目度）: 9.231653207554325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As neural networks are increasingly deployed in safety-critical domains, testing is essential to evaluate and improve their reliability. Existing testing methods, whether black-box or white-box, primarily use global mutation or coverage-guided strategies, both of which struggle to efficiently uncover diverse model failures while remaining proximate to the original data distribution and semantics. We propose BayesWarp, a testing framework that addresses this limitation by mutating decision-critical input regions identified via interpretable saliency techniques and adaptively guiding the testing process using an uncertainty-aware Bayesian Optimization strategy, enabling the discovery of diverse failures while preserving distributional and semantic proximity to the original data. Evaluation on MNIST, CIFAR-10, and ImageNet across six neural network models shows that BayesWarp improves failure discovery, failure diversity, test case quality, and critical neuron coverage under a fixed mutation budget. These results demonstrate that BayesWarp improves testing effectiveness. Moreover, fine-tuning with the generated failure cases leads to improvements in model performance.
• Abstract（参考訳）: ニューラルネットワークは、安全クリティカルなドメインにますますデプロイされているため、信頼性を評価し改善するためには、テストが不可欠である。 ブラックボックスであれホワイトボックスであれ、既存のテスト方法は、主にグローバルな突然変異またはカバレッジ誘導戦略を使用し、どちらもオリジナルのデータ配布とセマンティクスに近づきながら、多様なモデルの失敗を効率的に発見するのに苦労している。 この制限に対処するテストフレームワークであるBayesWarpを提案する。このフレームワークは、解釈可能なサリエンシ技術を用いて識別された決定クリティカルな入力領域を変更し、不確実性を認識したベイズ最適化戦略を用いてテストプロセスを適応的に誘導し、元のデータに分布的および意味的近さを保ちながら、多様な障害の発見を可能にする。 MNIST、CIFAR-10、ImageNetを6つのニューラルネットワークモデルで評価すると、BayesWarpは特定の突然変異予算の下で障害発見、障害の多様性、テストケースの品質、臨界ニューロンカバレッジを改善している。 これらの結果は、BayesWarpがテスト効率を向上させることを示している。 さらに、生成された障害ケースを微調整することで、モデルのパフォーマンスが向上する。

関連論文リスト

• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• Enhancing Uncertainty Estimation and Interpretability via Bayesian Non-negative Decision Layer [55.66973223528494]
  本研究では, ディープニューラルネットワークを条件付きベイズ非負因子分析として再構成したベイズ非負決定層(BNDL)を開発した。 BNDLは複雑な依存関係をモデル化し、堅牢な不確実性推定を提供する。 また,BNDLが効果的に不整合学習を達成できるという理論的保証も提供する。
  論文  参考訳（メタデータ） (2025-05-28T10:23:34Z)
• FAST: Boosting Uncertainty-based Test Prioritization Methods for Neural Networks via Feature Selection [29.20073572683383]
  本稿では,FeAture SelecTionをガイドとして,既存の優先順位付け手法を高速化するFASTを提案する。 FASTは、特定の機能がモデルの出力信頼度に影響を与えるノイズをもたらす可能性があるという洞察に基づいている。 モデルの正しい予測に対する各特徴の重要性を定量化し、ノイズのある特徴から動的に情報を抽出する。
  論文  参考訳（メタデータ） (2024-09-13T18:13:09Z)
• D-Score: A White-Box Diagnosis Score for CNNs Based on Mutation Operators [8.977819892091]
  畳み込みニューラルネットワーク(CNN)は、自律運転や診断など、多くの安全クリティカルな領域に広く応用されている。 そこで本研究では,変異演算子と画像変換を用いたホワイトボックス診断手法を提案する。 また,D-Scoreに基づくデータ拡張手法を提案し,CNNの性能を翻訳や再スケーリングに拡張する。
  論文  参考訳（メタデータ） (2023-04-03T03:13:59Z)
• MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
  テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。 最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。 モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T17:55:11Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Towards Trustworthy Predictions from Deep Neural Networks with Fast Adversarial Calibration [2.8935588665357077]
  本稿では,ドメインシフト後に得られたサンプルに対して,信頼度の高い信頼度を得るための効率的かつ汎用的なモデリング手法を提案する。 本稿では,エントロピー増大損失項と逆キャリブレーション損失項を組み合わせた新しいトレーニング戦略を導入し,この結果が適切に調整され,技術的に信頼できる予測となることを示す。
  論文  参考訳（メタデータ） (2020-12-20T13:39:29Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Ramifications of Approximate Posterior Inference for Bayesian Deep Learning in Adversarial and Out-of-Distribution Settings [7.476901945542385]
  ベイジアン深層学習モデルが従来のニューラルネットワークよりわずかに優れていることを示す。 予備的な調査は、初期化、アーキテクチャ、アクティベーション関数の選択によるバイアスの潜在的固有の役割を示している。
  論文  参考訳（メタデータ） (2020-09-03T16:58:15Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。