Deep-SBFL:基于频谱的深度神经网络缺陷定位方法
深度神经网络已经在自动驾驶和智能医疗等领域取得了广泛的应用.?与传统软件一样,?深度神经网络也不可避免地包含缺陷,?如果做出错误决定,?可能会造成严重后果.?因此,?深度神经网络的质量保障受到了广泛关注.?然而,?深度神经网络与传统软件存在较大差异,?传统软件质量保障方法无法直接应用于深度神经网络,?需要设计有针对性的质量保障方法.?软件缺陷定位是保障软件质量的重要方法之一,?基于频谱的缺陷定位方法在传统软件的缺陷定位中取得了很好的效果,?但无法直接应用于深度神经网络.?在传统软件缺陷定位方法的基础上提出了一种基于频谱的深度神经网络缺陷定位方法Deep-SBFL.?该方法首先通过收集深度神经网络的神经元输出信息和预测结果作为频谱信息;?然后将频谱信息进行处理作为贡献信息,?以用于量化神经元对预测结果所做的贡献;?最后提出了针对深度神经网络缺陷定位的怀疑度公式,?基于贡献信息计算深度神经网络中神经元的怀疑度并进行排序,?以找出最有可能存在缺陷的神经元.?为验证该方法的有效性,?以EInspect@n(结果排序列表前n个位置内成功定位的缺陷数)和EXAM(在找到缺陷元素之前必须检查元素的百分比)作为评测指标,?在使用MNIST数据集训练的深度神经网络上进行了实验.?结果表明,?该方法可有效定位深度神经网络中不同类型的缺陷.
软件质量保障、软件缺陷定位、深度神经网络(DNN)、频谱、怀疑度
34
TP311(计算技术、计算机技术)
2023-05-11（万方平台首次上网日期，不代表论文的发表时间）
共20页
2231-2250
