摘要
摘要
深度神经网络(DeepNeuralNetwork,DNN)的鲁棒性增强是提高其可靠性的关键,鲁
棒性的不足往往源于模型内部存在难以发现的缺陷,在此背景下模糊测试作为一种通过生
成测试输入来发现系统缺陷的技术,为实现DNN鲁棒性增强提供了有效途径。但是当前
模糊测试在增强鲁棒性时仍面临多种挑战,包括:对抗性样本生成中攻击强度与自然性的
平衡困难、测试过程对于模型决策边界脆弱区域的探索不足、以及缺乏对模型关键结
摘要
摘要
深度神经网络(DeepNeuralNetwork,DNN)的鲁棒性增强是提高其可靠性的关键,鲁
棒性的不足往往源于模型内部存在难以发现的缺陷,在此背景下模糊测试作为一种通过生
成测试输入来发现系统缺陷的技术,为实现DNN鲁棒性增强提供了有效途径。但是当前
模糊测试在增强鲁棒性时仍面临多种挑战,包括:对抗性样本生成中攻击强度与自然性的
平衡困难、测试过程对于模型决策边界脆弱区域的探索不足、以及缺乏对模型关键结
文档评论(0)