ترجمه فارسی مقاله FAST: تقویت روش‌های اولویت‌بندی آزمون مبتنی بر عدم قطعیت برای شبکه‌های عصبی از طریق انتخاب ویژگی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی FAST: Boosting Uncertainty-based Test Prioritization Methods for Neural Networks via Feature Selection
عنوان مقاله به فارسی FAST: تقویت روش‌های اولویت‌بندی آزمون مبتنی بر عدم قطعیت برای شبکه‌های عصبی از طریق انتخاب ویژگی
نویسندگان Jialuo Chen, Jingyi Wang, Xiyue Zhang, Youcheng Sun, Marta Kwiatkowska, Jiming Chen, Peng Cheng
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Software Engineering,Machine Learning,مهندسی نرم افزار , یادگیری ماشین ,
توضیحات Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Due to the vast testing space, the increasing demand for effective and efficient testing of deep neural networks (DNNs) has led to the development of various DNN test case prioritization techniques. However, the fact that DNNs can deliver high-confidence predictions for incorrectly predicted examples, known as the over-confidence problem, causes these methods to fail to reveal high-confidence errors. To address this limitation, in this work, we propose FAST, a method that boosts existing prioritization methods through guided FeAture SelecTion. FAST is based on the insight that certain features may introduce noise that affects the model's output confidence, thereby contributing to high-confidence errors. It quantifies the importance of each feature for the model's correct predictions, and then dynamically prunes the information from the noisy features during inference to derive a new probability vector for the uncertainty estimation. With the help of FAST, the high-confidence errors and correctly classified examples become more distinguishable, resulting in higher APFD (Average Percentage of Fault Detection) values for test prioritization, and higher generalization ability for model enhancement. We conduct extensive experiments to evaluate FAST across a diverse set of model structures on multiple benchmark datasets to validate the effectiveness, efficiency, and scalability of FAST compared to the state-of-the-art prioritization techniques.

چکیده به فارسی (ترجمه ماشینی)

با توجه به فضای گسترده آزمایش ، افزایش تقاضا برای آزمایش مؤثر و کارآمد شبکه های عصبی عمیق (DNN) منجر به توسعه تکنیک های مختلف اولویت بندی تست DNN شده است.با این حال ، این واقعیت که DNN ها می توانند پیش بینی های اعتماد به نفس بالا را برای نمونه های پیش بینی شده نادرست ، که به عنوان مشکل اعتماد به نفس بیش از حد شناخته می شود ، ارائه دهد ، باعث می شود که این روشها در آشکار کردن خطاهای اعتماد به نفس بالا نباشند.برای پرداختن به این محدودیت ، در این کار ، سریع پیشنهاد می کنیم ، روشی که روش های اولویت بندی موجود را از طریق انتخاب ویژگی های هدایت شده تقویت می کند.سریع بر این بینش استوار است که برخی از ویژگی ها ممکن است سر و صدایی را که بر اعتماد به نفس مدل تأثیر می گذارد ، معرفی کند و از این طریق به خطاهای اعتماد به نفس کمک می کند.این اهمیت هر ویژگی را برای پیش بینی های صحیح مدل تعیین می کند ، و سپس به صورت پویا اطلاعات را از ویژگی های پر سر و صدا در هنگام استنتاج آلو می کند تا یک بردار احتمال جدید برای تخمین عدم اطمینان حاصل شود.با کمک سریع ، خطاهای اعتماد به نفس بالا و نمونه های طبقه بندی شده به درستی قابل تشخیص تر می شوند ، در نتیجه مقادیر بالاتر APFD (درصد متوسط ​​تشخیص گسل) برای اولویت بندی آزمون و توانایی تعمیم بالاتر برای تقویت مدل.ما آزمایش های گسترده ای را برای ارزیابی سریع در مجموعه متنوعی از ساختارهای مدل بر روی مجموعه داده های معیار چندگانه انجام می دهیم تا اثربخشی ، کارآیی و مقیاس پذیری سریع در مقایسه با تکنیک های اولویت بندی پیشرفته را ارزیابی کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.