論文の概要: FuzzInsight: Navigating the Efficiency-Effectiveness Trade-off in Coverage-Guided DNN Fuzzing

• arxiv url: http://arxiv.org/abs/2610.23195v1
• Date: Fri, 16 Oct 2026 09:32:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.854713
• Title: FuzzInsight: Navigating the Efficiency-Effectiveness Trade-off in Coverage-Guided DNN Fuzzing
• Title（参考訳）: FuzzInsight:Coverage-Guided DNN Fuzzingにおける効率効果のトレードオフをナビゲートする
• Abstract要約: 本稿では、スケーラブルなDeep Neural Networksファジリングのための構成指向分析および決定ガイドラインを提案する。 既存のシード選択戦略では,少数のインプットが反復的に優先され,収集された種子の多くは探索されていない。 また,生成したコーナーケースによる再学習は,実行時テスト分布の性能を低下させることなく,平均77ポイントまで一般化できることを示す。
• 参考スコア（独自算出の注目度）: 46.10029282243473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collecting and labeling diverse test datasets for evaluating Deep Neural Networks (DNNs) is costly and time-consuming. This has motivated coverage-guided fuzzing techniques that generate defect-revealing corner cases from limited test data. However, their effectiveness depends heavily on configuration choices, particularly coverage criteria and seed-selection strategies. We present a configuration-oriented analysis and decision guidelines for scalable DNN fuzzing targeting two bottlenecks: inefficient seed utilization and the cost of coverage guidance. Our analysis shows that existing seed-selection strategies repeatedly prioritize a small subset of inputs, leaving many collected seeds unexplored. To address this issue, we propose Equalized Sampling, a constraint-based strategy that increases mean seed queue utilization to 77%, improving on prior approaches by 13 percentage points. We further evaluate 84 fuzzing configurations on four benchmark datasets: MNIST, SVHN, GTSRB, and CIFAR-100. Results show that the non-structural criteria LSCD, LSC, and MDSC achieve coverage outcomes comparable to structural and alternative non-structural criteria while requiring substantially less computation. These criteria also promote broad behavioral exploration of the DNN under test, reducing the need to monitor multiple coverage metrics. Among them, LSCD provides a modest but consistent runtime advantage. Finally, we show that retraining with generated corner cases improves generalization robustness by up to 77 percentage points on average without degrading performance on the original test distribution. Together, these findings provide a practical blueprint for selecting fuzzing configurations that balance efficiency, behavioral exploration, and model hardening.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)を評価するためのさまざまなテストデータセットの収集とラベル付けには、コストと時間を要する。 これは、限られたテストデータから欠陥発見コーナーケースを生成する、カバレッジ誘導ファジィングテクニックを動機付けている。 しかし、それらの効果は構成の選択、特にカバレッジ基準と種選択戦略に大きく依存する。 本稿では、非効率な種利用とカバレッジガイダンスのコストという2つのボトルネックをターゲットとした、スケーラブルなDNNファジリングのための構成指向分析および決定ガイドラインを提案する。 分析の結果,既存の種子選択戦略は入力の小さなサブセットを反復的に優先順位付けし,抽出された種子の多くを未発見のまま残していることがわかった。 この問題に対処するために、制約ベースの戦略であるEqualized Smplingを提案する。これは、平均シードキュー利用率を77%に向上し、事前のアプローチを13ポイント改善する。 さらに、MNIST、SVHN、GTSRB、CIFAR-100の4つのベンチマークデータセットに対して、84のファジリング構成を評価する。 その結果,非構造基準 LSCD,LCC,MDSC は,計算量を大幅に削減しつつ,構造的および代替的な非構造基準に匹敵するカバレッジ結果が得られることがわかった。 これらの基準はまた、テスト中のDNNの幅広い行動探索を促進し、複数のカバレッジメトリクスを監視する必要性を減らす。 その中でもLSCDは、控えめだが一貫したランタイムのアドバンテージを提供する。 最後に,生成したコーナーケースによるリトレーニングにより,元のテスト分布の性能を低下させることなく,平均77ポイントの一般化ロバスト性が向上することを示す。 これらの発見は、効率、行動探索、モデル硬化のバランスをとるファジング構成を選択するための実用的な青写真を提供する。

関連論文リスト

• Optimal Multi-way Decision Trees for Stratified Sampling in Online Controlled Experiments [1.8224668251608893]
  層状サンプリングは古典的な分散低減手法であるが、その有効性は層がどのように構築されるかに大きく依存する。 最適マルチウェイ決定木を用いた階層化サンプリングのための最適化に基づく階層化フレームワークを提案する。 実世界のデータセットとシミュレーションデータセットの両方の実験は、OMSTが既存の手法に匹敵する、あるいは優れた分散還元を達成することを示した。
  論文  参考訳（メタデータ） (2026-09-20T02:52:03Z)
• Beyond Uniform Credit Assignment: Selective Eligibility Traces for RLVR [7.971447120817466]
  RLVR(Reinforcement Learning with Verifiable Rewards)は,大規模言語モデルの推論能力向上のための重要なアプローチとなっている。 本研究では,S-Trace(S-Trace)を,サンプル効率,評価自由度トレース手法として提案する。 実験の結果、SトラスはGRPOを上回るだけでなく、Qwen3-1.7Bでは0.49%、Qwen3-4Bでは3.16%、Qwen3-8Bでは2.98%向上した。
  論文  参考訳（メタデータ） (2026-05-07T10:11:51Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Diffusion-MPC in Discrete Domains: Feasibility Constraints, Horizon Effects, and Critic Alignment: Case study with Tetris [0.0]
  本研究では,テトリスをケーススタディとして,拡散モデル予測制御(拡散MPC)を個別領域で検討した。 我々のプランナーは、MaskGITスタイルの離散デノイザを用いて候補配置シーケンスをサンプリングし、再ランク付けによりアクションを選択する。 本研究では,(1)有効配置に対するロジットマスキングによる実現可能性に制約のあるサンプリング,(2)スコアを用いた戦略の再評価,事前訓練されたDQN批判,およびハイブリッド組み合わせ,(3)候補数と計画の地平線におけるスケーリングの計算,の3つの要因を分析した。
  論文  参考訳（メタデータ） (2026-03-02T19:35:38Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• Efficient Semi-Supervised Adversarial Training via Latent Clustering-Based Data Reduction [3.3739429143238784]
  近年の研究では,外部ラベル付き・合成データを用いた半教師付き対人訓練(SSAT)手法が提案されている。 SSATは、高い堅牢性を達成するためにかなりのデータを必要とするため、トレーニング時間が長くなり、メモリ使用量が増加する。 SSATの効率を改善するためのラベルなしデータ削減戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-15T15:47:49Z)
• STBA: Towards Evaluating the Robustness of DNNs for Query-Limited Black-box Scenario [50.37501379058119]
  本研究では,クエリ制限シナリオにおいて,悪意のある逆の例を作成するために,空間変換ブラックボックス攻撃(STBA)を提案する。 そこで本研究では,STBAが対向例の認識不能性を効果的に改善し,クエリ制限条件下での攻撃成功率を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-03-30T13:28:53Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Labeling-Free Comparison Testing of Deep Learning Models [28.47632100019289]
  本研究では,ラベリング作業の限界を克服し,ランダム性をサンプリングするためのラベリングフリー比較試験手法を提案する。 提案手法は,データセットや分布シフトに関わらず,Spearmanの相関値とKendallの$tau$に対して,最大0.74および0.53のベースライン手法より優れている。
  論文  参考訳（メタデータ） (2022-04-08T10:55:45Z)

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。