软件学报:jos:7745 · 记录 #1

融合双视角不确定性度量与双代理模型池的DNN测试排序

来源日期 2026-11-04

来源记录日期 2026-11-04

雷达观测 2026-11-05 00:17

摘要

深度神经网络(deep neural network, DNN)测试需要大量的测试数据来保证其质量, 但大多数测试输入缺乏标注信息, 且对其进行标注会带来高昂的人工代价. 现有研究提出测试输入优先级方法, 筛选高优先级的测试输入进行标注以降低人工标注成本. 然而, 它们均仅从单一不确定性视角或模型静态行为上考虑测试输入. 一方面, 局限于固定的单一不确定性度量, 会片面刻画测试输入的错误失效风险, 从而降低排序的准确性. 另一方面, 对模型内部结构微小扰动的刻画不充分, 难以揭示其对决策边界动态变化的影响, 易忽视模型的深层脆弱性, 从而降低早期故障检测效率. 基于此, 提出一种融合双视角不确定性度量与双代理模型池的DNN测试输入优先级排序新方法. 该方法以预测测试输入误分类概率, 并构建输入侧与模型侧的风险协同排序机制为核心目标. 首先, 在输入侧, 为突破单一不确定性指标与静态评估的局限, 利用测试时增强(test-time augmentation, TTA)实施动态鲁棒性评估, 并设计双视角不确定性指标, 以识别测试输入在不同扰动下的潜在失效风险, 提高排序整体性能; 其次, 在模型侧, 构建结合深度集成与模型变异微调的双代理模型池, 量化多模型间的预测分歧, 并设计模型内部结构的动态扰动机制, 暴露模型的深层脆弱性, 以提升早期故障检测效率. 最后, 将输入侧潜在失效风险特征与模型侧决策边界脆弱性特征统一表示为误分类特征, 据此特征, 利用轻量级元模型预测测试输入的错误概率并进行排序, 以降低人工标注成本. 通过与9个已有方法在5个实验对象上的对比发现, 所提方法是可行高效的, 在APFD与RAUC-100指标上分别平均提升约11.92%、28.85%.