HOMRS: High Order Metamorphic Relations Selector for Deep Neural\n Networks
Notice bibliographique
Résumé
Deep Neural Networks (DNN) applications are increasingly becoming a part of\nour everyday life, from medical applications to autonomous cars. Traditional\nvalidation of DNN relies on accuracy measures, however, the existence of\nadversarial examples has highlighted the limitations of these accuracy\nmeasures, raising concerns especially when DNN are integrated into\nsafety-critical systems.\n In this paper, we present HOMRS, an approach to boost metamorphic testing by\nautomatically building a small optimized set of high order metamorphic\nrelations from an initial set of elementary metamorphic relations. HOMRS'\nbackbone is a multi-objective search; it exploits ideas drawn from traditional\nsystems testing such as code coverage, test case, path diversity as well as\ninput validation.\n We applied HOMRS to MNIST/LeNet and SVHN/VGG and we report evidence that it\nbuilds a small but effective set of high-order transformations that generalize\nwell to the input data distribution. Moreover, comparing to similar generation\ntechnique such as DeepXplore, we show that our distribution-based approach is\nmore effective, generating valid transformations from an uncertainty\nquantification point of view, while requiring less computation time by\nleveraging the generalization ability of the approach.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».