- 博客(10)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 《Selection of Test Samples to Improve DNN Test Efficiency based on Neuron Clusters》
当比较基于测试样本的神经元簇与基于训练数据集的神经元簇之间的相似度时，如果相似度之间的差异小于阈值，则将测试样本视为故障诱导测试样本。若种子X被DNN分为A类，则激活神经元应相似于A。若DNN将X错误分类为B，激活神经元也要相似于B。的设定：与训练集的数据A 激活神经元相似的种子X，就被预测为A类。实验结果：用皮尔逊相关系数分析。
2023-09-11 20:49:55
48
原创 《CAGFuzz: Coverage-Guided AdversarialGenerative Fuzzing Testing for Image-BasedDeep Learning System》
2021 A刊：TSE。
2023-07-06 18:48:54
126
1
原创 《DeepRTest: A Vulnerability-Guided Robustness Testing and EnhancementFramework for Deep Neural Net》
时间：2022 CCF：QRS_C会视角：1 与其它白盒测试相比，提高了DNN的鲁棒性。2 同时也提高了NC。3 生成更多的测试用例。
2023-07-05 13:07:32
90
1
原创 《DeepSensor: Deep Learning Testing Framework Based on Neuron Sensitivity 》
时间：2022.11 CCF：B刊 开源：https://github.com/Allen-piexl/DeepSensor/
2023-05-25 16:12:18
129
1
原创 神经网络测试综述《Detecting Defects in Deep Learning Systems: a Survey》
时间：2022年6月 会议:APIW。
2023-05-23 21:00:27
163
1
原创 《神经元行为模式引导的深度神经网络测试用例生成和优化技术》某专硕论文2022.03
测试用例优先级技术（种子选择技术）：对测试用例集进行筛选排序并优先执行重要程度高的测试用例可以大大提升测试效率。
2023-05-22 16:14:37
155
1
原创 精读《DLFuzz》
在DeepXplore的基础上，控制新种子的L2距离<0.02。这样，不管是原始种子还是新生成的种子，进行5次连续迭代变异的图像，生成的对抗图像的L2会控制在比DeepXplore小。
2023-05-18 17:51:52
44
1
原创 《NoiseCAM: Explainable AI for the BoundaryBetween Noise and Adversarial Attacks》
3.我们提出了NoiseCAM，一种新的算法，以可解释的方式检测DNN上的对抗性攻击。我们的实验表明，NoiseCAM对于对抗性扰动具有高度敏感性，而对于高斯随机噪声则是不受影响的，即使它们具有统计上相似的属性。这表明，NoiseCAM是一种有效的检测对抗性攻击的方法，可以提高模型的鲁棒性，并且在解释性方面具有优势。因此，我们的方法可以定位受损层，并提供有关哪些层需要进一步加强以提高模型的鲁棒性的洞察。随着行为偏差建模，我们提出了一种基于xai的算法，称为NoiseCAM，用于检测对抗例子，如图3所示。
2023-05-14 16:12:37
80
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人