.png){kind=icon}
返回
Leveraging Data Characteristics for Bug Localization in Deep Learning Programs
.png){kind=icon}
OA
AI
DOI：10.1145/3708473.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习（DL）是一类用于各种应用场景的机器学习算法。与任何软件系统一样，DL程序可能存在错误。为了支持DL程序中的错误定位，过去已经提出了几种工具。由于大多数因模型结构不当而导致的错误（称为结构错误）会在训练期间导致性能不足，因此开发者难以识别根本原因并解决这些错误。为了支持DL程序中的错误检测和定位，本文提出了Theia，它能够检测和定位DL程序中的结构错误。与以往的工作不同，Theia考虑了训练数据集的特性，以自动检测使用两种DL库（Keras和PyTorch）开发的DL程序中的错误。由于训练DL模型是一个耗时的过程，Theia在训练过程开始时检测这些错误，并通过包含错误位置和可操作修复建议的信息性消息提醒开发者，这将帮助他们改进模型结构。我们在一个包含40个来自Stack Overflow的真实世界有错误的DL程序的基准上评估了Theia。结果表明，Theia成功定位了40个有错误程序中的75个结构错误中的57个，而NeuraLint（一种能够在训练前定位结构错误的最先进方法）仅定位了75个错误中的17个。
Keyword:
Deep Learning
bug localization
structural bugs
machine learning
Theia
.png){kind=icon}
