-
公开(公告)号：CN113342662B
公开(公告)日：2024-09-03
申请号：CN202110658162.4
申请日：2021-06-11
Applicant: 南京工业大学 , 南京慕测信息科技有限公司
IPC: G06F11/36 , G06F18/241 , G06N3/126
Abstract: 本发明涉及一种面向神经元特性的AI系统软件模型变异技术。首先，计算出测试集中每个类别的数据子集的距离熵，即每个类子集的多样性程度，根据整个测试集的平均距离熵，量化测试集的整体多样性程度，自动选择相应的变异级别；在此基础上，选择相应级别的变异算子，变异得到多个变异模型；最后，筛选掉查准率较低的变异模型，计算剩余变异模型的变异得分，有效地评估测试集质量。本发明目的在于解决深度学习系统测试集质量评估难题。利用变异得分指标，可以帮助软件研发人员准确地评价测试集，保障深度学习系统的质量。
-
Patent Agency Ranking
公开(公告)号：CN115495340A
公开(公告)日：2022-12-20
申请号：CN202210426533.0
申请日：2022-04-22
Applicant: 南京工业大学
Abstract: 本发明涉及一种基于输入特征多样性的测试充分性度量方法。首先，分割训练集中的图像并生成像素区域集合；其次，对集合中的像素进行聚类来选取像素特征，计算所有像素特征的重要得分，组成重要特征集合；再次，计算并标记不同测试数据的重要特征；接着，根据重要特征对测试集进行人工聚类，计算并生成质心集合；然后，使用欧氏距离计算质心间的距离；最后，将质心集合转换为多维空间图，计算基于距离熵的测试集多样性，有效地评估测试集的充分性。本发明目的在于深度学习软件测试充分程度的评估问题，通过分析测试集的特征多样性，可以帮助软件测试人员提高软件测试的充分性和解释性，保障深度学习软件质量的方法。
-
公开(公告)号：CN117992353A
公开(公告)日：2024-05-07
申请号：CN202410239073.X
申请日：2024-03-01
Applicant: 南京工业大学
IPC: G06F11/36
Abstract: 本发明提出一种基于决策边界实例的深度学习软件测试充分性度量方法。首先，使用对抗样本生成技术和二分迭代算法，利用训练数据集生成位于决策边界上的对抗性实例，将DL软件的决策边界具象化。然后，计算测试数据和决策边界实例数据之间的距离来表示测试数据在决策边界上的分布情况。最后，计算整个测试数据集在决策边界上的覆盖率。覆盖率越高，测试越充分。本发明目的在于通过计算测试数据集相对于训练数据集在深度学习软件上的行为差异来度量测试数据集的充分程度，进而提高软件测试人员对深度学习软件测试充分性和测试过程可解释性的认识，暴露软件缺陷，保障软件质量。
-
公开(公告)号：CN113268423A
公开(公告)日：2021-08-17
申请号：CN202110568249.2
申请日：2021-05-24
Applicant: 南京工业大学
Abstract: 本发明涉及一种深度学习变异算子约简方法。首先，利用变异算子为每个源模型生成一系列变异体进行变异测试，通过数据清洗、数据归一化的方法进行特征信息提取，为每一个变异体建立变异特征矩阵MATRIX_MM；然后，对所有变异特征矩阵MATRIX_MM进行数据整理，为每一个变异算子建立算子特征矩阵MATRIX_OP；再基于此矩阵，利用BP神经网络构建模型的方法，为每个变异算子建立一个预测模型PRE_MODEL；最后将待测程序特征输入每个预测模型，最终得到适合该待测程序的变异算子子集。通过本发明的深度学习变异算子约简方法，可以过滤冗余变异算子、减少变异体测试执行开销，从而提升测试效率，节省深度学习软件研发时间。
-
公开(公告)号：CN117807419A
公开(公告)日：2024-04-02
申请号：CN202310840844.6
申请日：2023-07-10
Applicant: 南京工业大学
IPC: G06F18/213 , G06F18/23213 , G06N3/0464 , G06N3/08 , G06F18/214 , G06F11/36
Abstract: 本发明提出一种基于2D‑Kernels特征聚类的深度学习变异体集约简方法。首先基于模型卷积核可解释性分析卷积核2D‑Kernels特征，并利用该特征表示深度学习变异体，得到一个由特征向量表示的变异体集。然后，结合聚类方法，将具有不同特征的变异体归入不同的簇中，从而将变异体集划分为多个簇和一个少数空间(聚类过程中的离群数据)。最后，通过选择算法在各簇中选择具有代表性的变异体；同时，通过随机选择的方法选择少数空间中的变异体；两次选择组成的变异体集即为约简后的变异体集。本发明目的在于有效地在保持变异得分准确性的同时，减少变异体数量与测试执行开销。此外，约简后的变异体子集具有和全集近似相同的测试数据集质量评估能力。
-
公开(公告)号：CN113342662A
公开(公告)日：2021-09-03
申请号：CN202110658162.4
申请日：2021-06-11
Applicant: 南京工业大学 , 南京慕测信息科技有限公司
Abstract: 本发明涉及一种面向神经元特性的AI系统软件模型变异技术。首先，计算出测试集中每个类别的数据子集的距离熵，即每个类子集的多样性程度，根据整个测试集的平均距离熵，量化测试集的整体多样性程度，自动选择相应的变异级别；在此基础上，选择相应级别的变异算子，变异得到多个变异模型；最后，筛选掉查准率较低的变异模型，计算剩余变异模型的变异得分，有效地评估测试集质量。本发明目的在于解决深度学习系统测试集质量评估难题。利用变异得分指标，可以帮助软件研发人员准确地评价测试集，保障深度学习系统的质量。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
