paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Boosting operational DNN testing efficiency through conditioning

通过条件化提升 DNN 运行测试效率
FSE Proceedings of the 2019 27th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering2019匹配度 2/10 · 该论文关注 DNN 运行测试与有限标注预算下的测试效率，属于机器学习测试方向，但用户研究核心是静态分析、形式化验证及其与 LLM/Agent、浮点程序分析、贝叶斯程序分析的交叉，二者仅在最宽泛的“ML 系统可靠性”层面相关。引用 82 inbox
Zenan Li, Xiaoxing Ma, Chang Xu, Chun Cao, Jingwei Xu, Jian Lü
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：提出通过条件化提升 DNN 运行测试效率，在有限标注预算下获得更精确的测试结果。

随着 DNN 被广泛集成到软件系统中，如何在实际现场条件下对 DNN 进行高效运行测试成为迫切需求。核心挑战在于：现场收集的数据标注预算非常有限，但测试又需要产生足够精确的结果。论文标题表明其思路是采用 conditioning（条件化）来提升运行测试效率，使有限标注预算得到更有效的利用。不过，给出的摘要只交代了动机与挑战，未具体说明条件化的技术机制、理论性质以及实验评估设置和结果。

问题
DNN 已广泛成为软件系统组成部分，需要高效的运行测试来确保模型在现场条件下的实际表现；但现场数据标注预算非常有限，测试又要求精确结果。
方法
标题表明通过 conditioning（条件化）来提升运行测试效率；摘要未说明具体的条件化机制。
评估
摘要未给出评估设置与结果，仅指出需在有限现场标注预算下获得精确测试结果。
原文摘要（Abstract）

With the increasing adoption of Deep Neural Network (DNN) models as integral parts of software systems, efficient operational testing of DNNs is much in demand to ensure these models' actual performance in field conditions. A challenge is that the testing often needs to produce precise results with a very limited budget for labeling data collected in field.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot5062,
  title = {Boosting operational DNN testing efficiency through conditioning},
  author = {Zenan Li and Xiaoxing Ma and Chang Xu and Chun Cao and Jingwei Xu and Jian Lü},
  booktitle = {FSE},
  year = {2019},
  doi = {10.1145/3338906.3338930}
}