.png){kind=icon}
返回
Mutants Will Tell: Statistical Mutation-Based Multiple Fault Localization for Deep Learning Programs
.png){kind=icon}
PRE
AI
DOI：10.1109/TSE.2026.3655800.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着深度学习（DL）系统在安全关键领域（如智能规划和自动驾驶）中的应用日益增多，定位此类系统中出现的故障变得不可或缺。不可避免地，DL系统也会像传统软件一样出现故障。尽管针对DL程序的单故障定位已有研究，但针对DL程序的多故障定位仍处于探索阶段。我们注意到，变异分析是一种强大的多故障定位技术，因为它可以通过同时生成多个变异体来模拟DL程序的故障行为。因此，我们提出了MuMuFL：基于统计变异的多故障定位方法，用于定位有缺陷的DL程序中存在的多个故障语句。MuMuFL的核心理念在于：变异体的不同行为为精确定位DL故障的故障语句提供了有价值的信息。MuMuFL定义并利用了DL程序的变异算子来模拟有缺陷的DL行为。随后，MuMuFL通过评估原始DL模型与变异DL模型之间的准确率差异，来量化每个语句的故障可疑度。最终，大规模实验表明，MuMuFL能够有效定位DL故障，例如能够定位36%的多故障DL程序，而表现最佳的基线方法仅能定位14%。
Keyword:
Location awareness
Data models
Computer bugs
Source coding
Feature extraction
Deep learning
Unified modeling language
Fault diagnosis
Data processing
Artificial neural networks
Fault localization
deep learning fault
mutation analysis
probability model
suspiciousness evaluation
期刊
IF:
5.6
论文数:
2.9K
被引数:
1.1W
机构
引用论文
Transforming machine translation: a deep learning system reaches news translation quality comparable to human professionals.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏
查看更多内容