論文の概要: Deep4ge: DNN Training Trajectories for Fault Detection and Diagnosis

• arxiv url: http://arxiv.org/abs/2607.12868v1
• Date: Tue, 14 Jul 2026 15:20:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.183743
• Title: Deep4ge: DNN Training Trajectories for Fault Detection and Diagnosis
• Title（参考訳）: Deep4ge: 障害検出と診断のためのDNNトレーニング軌道
• Abstract要約: Deep4geは、Stack Overflowから収集された59の適応/ケラスディープニューラルネットワーク(DNN)プログラムから生成される14,227のトレーニング実行のベンチマークである。 データセットには9,845の障害実行と4,382の正しいベースライン実行が含まれている。 Deep4geはバイナリ障害検出、マルチクラス障害診断、部分的なトレーニング実行からの早期障害予測をサポートする。
• 参考スコア（独自算出の注目度）: 0.8883733362171032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning systems often fail due to subtle implementation faults that alter training behavior. Recent work has studied how to detect and diagnose such failures from changes observed across training epochs. However, the software engineering community still lacks a public dataset of per-epoch training runs with documented fault history, feature extraction details, and clear reuse support for fault detection and diagnosis tasks. We present Deep4ge, a controlled benchmark of 14,227 training runs generated from 59 adapted TensorFlow/Keras deep neural network (DNN) programs collected from Stack Overflow. We generated faulty variants using 27 source-code transformations that introduce known faults across seven categories. The dataset contains 9,845 faulty runs and 4,382 correct baseline runs. For each run, we record 4 evaluation metrics and 26 features that measure training behavior at every epoch. These features capture weights, gradients, activations, accuracy and loss trends, learning rate, and hardware use. Deep4ge supports binary fault detection, multi-class fault diagnosis, and early fault prediction from partial training runs. We release the dataset and fault-injection framework at https://doi.org/10.5281/zenodo.20337241.
• Abstract（参考訳）: ディープラーニングシステムは、トレーニングの振る舞いを変える微妙な実装欠陥のために失敗することが多い。 最近の研究は、トレーニングエポックで観察された変化からそのような障害を検知し、診断する方法を研究している。 しかしながら、ソフトウェアエンジニアリングコミュニティには、ドキュメント化された障害履歴、機能抽出の詳細、障害検出と診断タスクの明確な再利用サポートを備えた、画期的なトレーニング実行に関する公開データセットがまだ欠けている。 Stack Overflowから収集された59種類のTensorFlow/Kerasディープニューラルネットワーク(DNN)プログラムから生成される14,227のトレーニング実行のベンチマークであるDeep4geを紹介する。 私たちは、7つのカテゴリにまたがる既知の障害を導入する27のソースコード変換を使用して、欠陥変種を生成しました。 データセットには9,845の障害実行と4,382の正しいベースライン実行が含まれている。 各ラン毎に4つの評価指標と、各エポックでのトレーニング行動を測定する26の機能を記録します。 これらの機能は、重み、勾配、アクティベーション、精度と損失傾向、学習率、ハードウェア利用をキャプチャする。 Deep4geはバイナリ障害検出、マルチクラス障害診断、部分的なトレーニング実行からの早期障害予測をサポートする。 データセットとフォールトインジェクションのフレームワークはhttps://doi.org/10.5281/zenodo.20337241で公開しています。

関連論文リスト

• Loss Knows Best: Detecting Annotation Errors in Videos via Loss Trajectories [11.597228102492672]
  ビデオデータセットにおけるアノテーションエラーを検出するためのモデルに依存しない手法を提案する。 本手法では,アノテーションの誤りに関する基礎的な真理は必要とせず,データセット間で一般化可能である。 EgoPERとColec80は強力な検出性能を示し、誤ラベルやフレーム障害などの微妙な矛盾を効果的に識別する。
  論文  参考訳（メタデータ） (2026-02-16T19:53:58Z)
• Improved Detection and Diagnosis of Faults in Deep Neural Networks Using Hierarchical and Explainable Classification [3.2623791881739033]
  本稿では,DeFaultについて紹介する。Deep Neural Networks (DNN)プログラムの欠陥を検出し診断する新しい手法である。 提案手法は, 実世界のDNNプログラムの検出において94%のリコール, 63%のリコールを達成し, 欠陥の根本原因の診断において, 最先端技術よりも3.92%～11.54%高いパフォーマンスを示した。
  論文  参考訳（メタデータ） (2025-01-22T00:55:09Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。 しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• An Effective Data-Driven Approach for Localizing Deep Learning Faults [20.33411443073181]
  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。
  論文  参考訳（メタデータ） (2023-07-18T03:28:39Z)
• 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)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• DeepFD: Automated Fault Diagnosis and Localization for Deep Learning Programs [15.081278640511998]
  DeepFDは学習ベースの障害診断およびローカライゼーションフレームワークである。 フォールトローカライゼーションタスクを学習問題にマップする。 52%の欠陥DLプログラムを正しく診断し、最先端の成果によって達成された約半分(27%)と比較する。
  論文  参考訳（メタデータ） (2022-05-04T08:15:56Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• 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)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)

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。