DNN-TIP：常见测试输入优先级库

实现方法

• 惊喜适宜性
  • 基于距离的惊喜适宜性（DSA）
  • 基于似然度的惊喜适宜性（LSA）
  • 多模态基于似然度的惊喜适宜性（MLSA）
  • 基于马氏距离的惊喜适宜性（MDSA）
  • 摘要 多模态惊喜适宜性
• 惊喜覆盖率
  • 神经元激活覆盖率（NAC）
  • K-多分区神经元覆盖率（KMNC）
  • 神经元边界覆盖率（NBC）
  • 强神经元激活覆盖率（SNAC）
  • Top-k 神经元覆盖率（TKNC）
• 工具
  • APFD 计算
  • 覆盖率增加和覆盖率总计优先级方法（CAM和CTM）

如果您正在寻找我们也测试过的不确定性度量（包括DeepGini），请访问姐妹存储库 uncertainty-wizard。

如果您想复制我们的精确实验，可以在 testingautomated-usi/simple-tip 找到复制包和Docker相关内容。

安装

只需 pip install dnn-tip。

文档

在 https://testingautomated-usi.github.io/dnn-tip/ 找到文档。

引用

以下是这篇论文的引用，其中包含了这个库的发布

@inproceedings{10.1145/3533767.3534375,
author = {Weiss, Michael and Tonella, Paolo},
title = {Simple Techniques Work Surprisingly Well for Neural Network Test Prioritization and Active Learning (Replicability Study)},
year = {2022},
isbn = {9781450393799},
publisher = {Association for Computing Machinery},
address = {New York, NY, USA},
url = {https://doi.org/10.1145/3533767.3534375},
doi = {10.1145/3533767.3534375},
booktitle = {Proceedings of the 31st ACM SIGSOFT International Symposium on Software Testing and Analysis},
pages = {139–150},
numpages = {12},
keywords = {neural networks, Test prioritization, uncertainty quantification},
location = {Virtual, South Korea},
series = {ISSTA 2022}
}