权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

High-Quality Deep Learning Systems via Tracability Exploration between Requirements and Implementation

通过需求和实现之间的可追溯性探索来构建高质量的深度学习系统

基本信息

批准号：
21H03420
负责人：
石川冬樹
金额：
$ 10.82万
依托单位：
National Institute of Informatics
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (B)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2025-03-31
项目状态：
未结题

项目摘要

本研究では，深層学習で用いるDeep Neural Network（以後DNN）において要求の一部分と実装の一部分を対応づけるトレーサビリティーを実現する技術に取り組んでいる．特に，DNNの内部挙動を分析することにより，このトレーサビリティーを実現するアプローチを採っている．二年目となる2022年度においては，まず，全体産業界との議論を通し，社会実装において求められるDNNの修正パターンを明らかにした．次に，その修正パターンを踏まえ，望ましくない誤りの原因となっているDNN内の構成要素を分析する手法および，修正する手法に取り組んだ．これにより，重要な対象に対する誤り率の増加を抑えることを重視する手法や，複数種類の誤りに対してそれらのトレードオフを追求する手法を中心に，DNNの分析・修正に関する知見を得ることができた．

In this research, deep learning is not used. Deep Neural Network (from now on DNN) においてRequirementのpartと実装のpartを対応づけるトレーサビリティーを実 PresentするTechnologyにGETり集团んでいる. Special analysis of internal dynamics of DNNレーサビリティーを実见するアプローチを开っている． The second year of the 2022 annual project, the entire industry is talking about it.し, the social 実装において request the められるDNNのcorrection パターンを明らかにした. The time is corrected, the reason for the error is the reason for the correction, and the reason for the correction is the reason The components of the DNN are analyzed by means of analysis and correction by means of taking and grouping.これにより, important な対 resembles に対するError り rate のincrease plus を suppress えることを emphasizes する Technique や, plural types のError りに対してそれらのトレードオフをPursue the する Technique を Center に, DNN の Analysis and Correction に Off する Knowledge を Receive ることができた.

项目成果

期刊论文数量（5）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

What to Blame? On the Granularity of Fault Localization for Deep Neural Networks

应该责怪什么？

DOI：
发表时间：
2021
期刊：
影响因子：
0
作者：
Matias Duran;Xiao-Yi Zhang;Paolo Arcaini;Fuyuki Ishikawa
通讯作者：
Fuyuki Ishikawa

An Experience Report on Regression-Free Repair of Deep Neural Network Model

深度神经网络模型无回归修复经验报告

DOI：
发表时间：
2023
期刊：
影响因子：
0
作者：
Takao Nakagawa;Susumu Tokumoto;Shogo Tokui;Fuyuki Ishikawa
通讯作者：
Fuyuki Ishikawa

Model-based Data-Complexity Estimator for Deep Learning Systems

用于深度学习系统的基于模型的数据复杂性估计器

DOI：
发表时间：
2021
期刊：
影响因子：
0
作者：
Yuta Ojima;Shingo Horiuchi;Fuyuki Ishikawa
通讯作者：
Fuyuki Ishikawa

NeuRecover: Regression-Controlled Repair of Deep Neural Networks with Training History

DOI：
10.48550/arxiv.2203.00191
发表时间：
2022-03
期刊：
2022 IEEE International Conference on Software Analysis, Evolution and Reengineering (SANER)
影响因子：
0
作者：
Sho Tokui;Susumu Tokumoto;Akihito Yoshii;F. Ishikawa;Takao Nakagawa;Kazuki Munakata;Shinji Kikuchi
通讯作者：
Sho Tokui;Susumu Tokumoto;Akihito Yoshii;F. Ishikawa;Takao Nakagawa;Kazuki Munakata;Shinji Kikuchi

Distributed Repair of Deep Neural Networks

DOI：
10.1109/icst57152.2023.00017
发表时间：
2023-04
期刊：
2023 IEEE Conference on Software Testing, Verification and Validation (ICST)
影响因子：
0
作者：
Davide Li Calsi;Matias Duran;Xiaoyi Zhang;Paolo Arcaini;F. Ishikawa
通讯作者：
Davide Li Calsi;Matias Duran;Xiaoyi Zhang;Paolo Arcaini;F. Ishikawa