申请/专利权人:重庆大学
申请日:2024-04-16
公开(公告)日:2024-06-25
公开(公告)号:CN118245382A
主分类号:G06F11/36
分类号:G06F11/36;G06F18/2415;G06F18/22;G06N3/044
优先权:
专利状态码:在审-公开
法律状态:2024.06.25#公开
摘要:本发明涉及一种面向深度神经网络模型的测试用例选择方法,属于计算机软件测试技术领域,该发明的核心思想是,度量循环神经网络对每个测试用例的置信度与测试用例之间的相似程度,选择出具有代表性的低置信度测试用例。该发明主要由状态向量空间构建、不确定性与相似性度量和测试优先级排序三个步骤组成。1对于给定的测试集输入,提取循环神经网络在每个时间步下输出的概率向量。2在此向量空间内度量模型对每条测试用例的不确定性和模型状态改变的相似性。3根据不确定性对测试用例集排序,根据相似性决定测试用例的去留。本发明适用于从大规模未标记的数据集中筛选出易引发循环神经网络错误行为的数据子集,以降低数据标注的成本。
主权项:1.一种面向深度神经网络模型的测试用例选择方法,其特征在于,包括以下步骤:步骤1:将未标记的测试用例集合输入循环神经网络模型,循环神经网络模型对每条测试用例在每个时间步下输出其属于各个类别的预测概率的状态向量序列,根据该状态向量序列构建状态向量空间;步骤2:根据步骤1获得的状态向量空间,定义距离不确定性和相似性属性,距离不确定性用于度量循环神经网络模型的不确定性,相似性属性用于度量各条测试用例在时间步改变过程中行为的相似性,对输入测试用例集合中的每条数据,分别计算其距离不确定性值和相似性属性值;步骤3:根据步骤2中获得的距离不确定性值和相似性属性值,将输入测试集按照距离不确定性值降序排序,然后比较相邻的测试用例间的相似性属性值,若二者大小相等,则随机选择其中一个测试用例;若不相等,则两个测试用例均选择;步骤4:判断所选择的测试用例数量是否达到所需要的总数,若未达到总数,则采用步骤3的方法继续选择,直到达到总数。
全文数据:
权利要求:
百度查询: 重庆大学 一种面向深度神经网络模型的测试用例选择方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。