一种基于流形的深度神经网络测试输入选择方法技术

本发明专利技术公开了一种基于流形的深度神经网络测试输入选择方法，包括：输入一个深度神经网络模型，该深度神经网络的训练输入数据，训练输入数据标签，候选的一系列测试输入数据，测试输入数据标签

【技术实现步骤摘要】
一种基于流形的深度神经网络测试输入选择方法


[0001]本专利技术涉及深度神经网络的测试及测试输入选择领域，特别是涉及一种基于流形的深度神经网络测试输入选择方法
。

技术介绍

[0002]深度神经网络测试中的一个关键挑战在于选择测试输入
。
考虑到深度神经网络是基于数据驱动的编程范式开发的，通常需要大量具有预知信息的测试输入来测试和提高深度神经网络的性能
。
然而，为大量测试输入获取正确的标签是一项具有挑战性且资源密集的任务，因为通常需要领域专家的大量手动努力来准确标记测试输入
。
这个标记成本问题自然地激发了我们提出一种选择具有较高故障显现能力的小型测试输入子集的方法
。
通过这样做，我们减少了需要标记的测试输入数量，确保工作集中在最关键的方面，从而提高了深度神经网络测试的有效性和效率
。
[0003]最近，已经提出了几种用于深度神经网络的测试输入选择方法，可以大致分为两类，即基于覆盖率的测试输入选择和基于优先级的测试输入选择
。
基于覆盖本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于流形的深度神经网络测试输入选择方法，其特征在于，包括以下步骤：步骤
1)
输入一个深度神经网络模型，该深度神经网络模型的训练输入数据，训练输入数据的数据标签，一系列候选测试输入数据，子集选择比例作为方法的输入；步骤
2)
设计基于流形对深度神经网络每个测试输入数据的分类类别概率进行校正计算的方法；步骤
3)
设计根据校正之后的类别概率计算每个测试输入数据的不确定度并根据不确定度进行优先排序得到初始选择集的方法；步骤
4)
设计基于流形对初始选择集进行冗余删减得到最终选择集的方法；步骤
5)
设计基于候选测试输入特征矩阵降维聚类后的结果进行最终选择集评估的方法
。2.
根据权利要求1所述的基于流形的深度神经网络测试输入选择方法，其特征在于，所述步骤
1)
中所输入的深度神经网络模型需要满足以下要求：该深度神经网络必须是用于分类任务的深度神经网络，需要有训练完成的模型文件，用于训练该模型的训练输入数据，训练输入数据标签，候选的测试输入数据，测试输入数据标签
(
可选，用于评估
)
和子集选择比例
。3.
根据权利要求1所述的基于流形的深度神经网络测试输入选择方法，其特征在于，所述步骤
2)
设计基于流形对深度神经网络每个测试输入数据的分类类别概率进行校正计算的方法包括以下步骤：步骤
21)
将训练输入数据
、
候选测试输入数据作为深度神经网络模型的输入，提取深度神经网络模型倒数第二层的输出作为底层流形；步骤
22)
对于每一个候选测试输入数据，找到与其在底层流形上距离最近的
K
T
(
默认为
100)
个训练输入数据的底层流形以及这些训练输入数据的标签；步骤
23)
根据最近的底层训练流形和其标签校正计算每个测试输入数据在每个类别上的类别概率，对于每个测试输入
y
，其属于类别
c
的类别概率计算公式为：的类别概率计算公式为：
z
代表测试输入的底层流形，
z
i
代表训练输入的底层流形，
y
i
为训练输入；如果该分类任务对应的数据有
n
个类别，则对于每一个测试输入
y
，计算得到一个
n
维的类别概率
。4.
根据权利要求1所述的基于流形的深度神经网络测试输入选择方法，其特征在于，所述步骤
3)
设计根据校正之后的类别概率计算每个测试输入数据的不确定度并根据不确定度进行优先排序得到初始选择集的方法的具体实现过程包括以下步骤：步骤
31)
根据步骤
2)
中计算得到的类别概率数组，计算每个测试输入数据
y
的不确定度
U
y
，其具体计算公式为：其中
n
代表该分类任务一共有
n
个类别，
P
y...

【专利技术属性】
技术研发人员：张天，潘敏学，许正锋，李重，
申请(专利权)人：南京大学，
类型：发明
国别省市：