paperbot · PL 论文追踪

全部论文 待读 收藏

P1 Concolic testing for deep neural networks

面向深度神经网络的 Concolic 测试
ASE Proceedings of the 33rd ACM/IEEE International Conference on Automated Software Engineering2018匹配度 6/10 · 该论文将 concolic testing 与符号分析应用于深度神经网络测试，属于程序语言与机器学习交叉，和“PL→AI 在机器学习系统中应用分析技术”有部分重合；但它不涉及 LLM/Agentic 程序，也不是浮点或贝叶斯程序分析，与当前研究核心方向仅部分匹配。引用 332 inbox
Youcheng Sun, Min Wu, Wenjie Ruan, Xiaowei Huang, Marta Kwiatkowska, Daniel Kroening
测试、调试与修复机器学习与程序语言
crossref: 2026-09-12

AI 速览

一句话：提出首个面向深度神经网络的Concolic测试方法，以线性算术表达测试需求，提升覆盖率并发现对抗样本。

深度神经网络的可靠性测试日益重要，但如何系统探索其行为并提高覆盖率仍具挑战。本文将软件测试中的Concolic测试（结合具体执行与符号分析）引入DNN，提出首个面向DNN的Concolic测试方法。方法用有理数上的量词线性算术表达已有文献中的测试需求，并设计统一流程在DNN上执行Concolic测试，以提升覆盖率。实验表明，该方法既能取得较高覆盖率，也能有效发现对抗样本，证明了Concolic测试在DNN测试中的有效性。

问题
如何将Concolic测试扩展到深度神经网络，以更系统地探索网络行为、提高测试覆盖率并发现对抗样本。
方法
用有理数上的量词线性算术表达测试需求，并结合具体执行与符号分析设计面向DNN的Concolic测试流程。
评估
在深度神经网络上进行实验，衡量测试覆盖率与对抗样本发现能力。
原文摘要（Abstract）

Concolic testing combines program execution and symbolic analysis to explore the execution paths of a software program. In this paper, we develop the first concolic testing approach for Deep Neural Networks (DNNs). More specifically, we utilise quantified linear arithmetic over rationals to express test requirements that have been studied in the literature, and then develop a coherent method to perform concolic testing with the aim of better coverage. Our experimental results show the effectiveness of the concolic testing approach in both achieving high coverage and finding adversarial examples.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot4785,
  title = {Concolic testing for deep neural networks},
  author = {Youcheng Sun and Min Wu and Wenjie Ruan and Xiaowei Huang and Marta Kwiatkowska and Daniel Kroening},
  booktitle = {ASE},
  year = {2018},
  doi = {10.1145/3238147.3238172}
}