Fugu-MT 論文翻訳(概要): When Ambiguity Meets Atypicality: Dual-Perspective Test Input Prioritization for DNNs

論文の概要: When Ambiguity Meets Atypicality: Dual-Perspective Test Input Prioritization for DNNs

arxiv url: http://arxiv.org/abs/2609.34703v1
Date: Mon, 28 Sep 2026 09:19:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 03:38:21.74253
Title: When Ambiguity Meets Atypicality: Dual-Perspective Test Input Prioritization for DNNs
Title（参考訳）: 曖昧さと非定型性:DNNのデュアル・パースペクティブ・テスト入力優先化
Abstract要約: 決定的あいまいさと分布的非定型性は、クラス間の競争とクラス内典型性を特徴づけるために広く採用されている。我々は、クラス間とクラス内の両方の視点を共同で組み込んだ、深層ニューラルネットワーク(DNN)のためのKNN密度に基づくテスト入力優先順位付け手法であるDuFPを提案する。実験結果から,DuFPは故障発生入力を効果的かつ効率的に優先順位付けし,最先端の手法より優れていることが示された。
参考スコア（独自算出の注目度）: 11.472714352235528
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While Deep Neural Networks (DNNs) have achieved remarkable progress in cutting-edge domains, their inherent brittleness has become a growing concern. To ensure the reliability and safety of DNN-enabled software, DNN testing has emerged as an indispensable practice. Within this context, test input prioritization is essential for early fault detection and reducing labeling costs. However, it remains challenging to accurately identify failure-inducing inputs. Although decision ambiguity and distributional atypicality are two widely adopted perspectives for characterizing inter-class competition and intra-class typicality respectively, relying on either perspective in isolation inevitably introduces blind spots. In this paper, we propose DuFP (Dual perspective Feature space Prioritization), a KNN density-based test input prioritization approach for DNNs that jointly incorporates both inter-class and intra-class perspectives. The prioritization framework of DuFP is built upon class-conditional density estimation. Based on the estimation results, prediction correctness is characterized by an ambiguity score and an atypicality score, with the former reflecting decision ambiguity and the latter quantifying distributional atypicality. A hybrid uncertainty score is then constructed by integrating both scores to guide the final prioritization. We evaluate DuFP on prioritization and selection tasks across image and text datasets under clean, corrupted, and adversarial scenarios. Experimental results demonstrate that DuFP effectively and efficiently prioritizes fault-inducing inputs and outperforms state-of-the-art approaches.
Abstract（参考訳）: Deep Neural Networks (DNN) は最先端ドメインにおいて顕著な進歩を遂げているが、その固有の脆さが懸念されている。 DNN対応ソフトウェアの信頼性と安全性を確保するため、DNNテストは必須のプラクティスとして登場した。この文脈では、早期故障検出とラベル付けコストの削減のために、テスト入力の優先順位付けが不可欠である。しかし、失敗を引き起こす入力を正確に識別することは依然として困難である。決定の曖昧さと分布の非定型性は、クラス間の競争とクラス内の典型性をそれぞれ特徴付けるために広く採用されている2つの観点であるが、分離された視点は必然的に盲点を導入する。本稿では,クラス間視点とクラス内視点の両方を併用したDNNを対象とした,KNN密度に基づくテスト入力優先順位付け手法であるDuFPを提案する。 DuFPの優先順位付けフレームワークは,クラス条件密度推定に基づいて構築されている。推定結果に基づいて、予測正当性は、前者の反射的決定曖昧度と後者の分布非特異度を定量化するアンビグニティスコアと非定型スコアとで特徴づけられる。次に、両方のスコアを統合して最終的な優先順位付けを導くことによって、ハイブリッド不確実性スコアを構築する。クリーンで破損した,敵対的なシナリオ下で,画像データセットとテキストデータセットの優先順位付けと選択タスクについてDuFPを評価する。実験結果から,DuFPは故障発生入力を効果的かつ効率的に優先順位付けし,最先端の手法より優れていることが示された。

関連論文リスト

Possibilistic Predictive Uncertainty for Deep Learning [75.00607359322863]
Dirichlet-approximated possibilistic rear predictions (DAPPr)を紹介する。 DAPPrは可能性理論を利用した原則的なフレームワークである。この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。
論文参考訳（メタデータ） (2026-05-01T12:14:01Z)
Learning-Based Testing for Deep Learning: Enhancing Model Robustness with Adversarial Input Prioritization [0.0]
このプロジェクトはディープニューラルネットワーク(DNN)における障害検出とモデルロバスト性の向上を目的としている。本手法は, アーキテクチャ固有の特徴や形式的検証に頼ることなく, モデル欠陥を暴露する確率の高い逆入力のサブセットを選択する。テストの置換を効率的に組織することにより、さまざまなデータセット、モデルアーキテクチャ、および敵攻撃テクニックで、潜在的なすべての障害を著しく高速に発見する。
論文参考訳（メタデータ） (2025-09-28T16:31:30Z)
Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
論文参考訳（メタデータ） (2025-08-26T03:13:08Z)
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)
Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
論文参考訳（メタデータ） (2023-10-21T09:53:17Z)
CertPri: Certifiable Prioritization for Deep Neural Networks via Movement Cost in Feature Space [3.8501747949459633]
ディープニューラルネットワーク(DNN)は、様々なソフトウェアシステムでその性能を実証しているだけでなく、誤った振る舞いを示し、さらには不可逆的な災害を引き起こしている。テスト入力の優先順位付けは、DNNの品質を保証する最も魅力的な方法の1つである。本稿では,移動コストの観点から,テスト入力優先化手法であるCertPriを提案する。
論文参考訳（メタデータ） (2023-07-18T15:59:37Z)
E-NER: Evidential Deep Learning for Trustworthy Named Entity Recognition [69.87816981427858]
ほとんどの名前付きエンティティ認識(NER)システムは、モデル不確実性を定量化する必要性を無視して、モデルパフォーマンスの改善に重点を置いている。 Evidential Deep Learning (EDL) は、最近、分類タスクの予測不確実性を明示的にモデル化するための有望な解決策として提案されている。本稿では、従来のEDLに2つの不確実性誘導損失条件を導入し、一連の不確実性誘導訓練戦略を導入することにより、E-NERという信頼性の高いNERフレームワークを提案する。
論文参考訳（メタデータ） (2023-05-29T02:36:16Z)
Generating and Detecting True Ambiguity: A Forgotten Danger in DNN Supervision Testing [8.210473195536077]
本稿では,Deep Neural Networks (DNN) テストのための不明瞭な入力を生成する新しい手法を提案する。特に,画像分類問題に対するあいまいなサンプルを生成するために,AmbiGuessを提案する。真のあいまいさを検出するのに最も適した人は、無効、アウト・オブ・ディストリビューション、逆入力および逆逆入力において、より悪い結果が得られます。
論文参考訳（メタデータ） (2022-07-21T14:21:34Z)
A Survey on Assessing the Generalization Envelope of Deep Neural Networks: Predictive Uncertainty, Out-of-distribution and Adversarial Samples [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くのアプリケーションで最先端のパフォーマンスを達成する。入力を受けたDNNが、通常、その決定基準が不透明であるため、正しい出力を提供するかどうかを事前に判断することは困難である。本調査は,機械学習手法,特にDNNの一般化性能について,大規模フレームワーク内の3つの分野を関連づけるものである。
論文参考訳（メタデータ） (2020-08-21T09:12:52Z)

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。