跳到主要内容
检索

# 权重空间学习

2 篇关联报道

订阅更新
  1. arXiv

    训练不必跑完再比:SOTF按检查点预判终局,异构模型库保留差距从0.0643降到0.0017

    训练一组候选网络时,中途的准确率排名未必等于最终排名,学习曲线还会交叉。SOTF训练用检查点权重统计与SANE潜表示预测各候选的最终或五轮后准确率,据此提前停掉排名靠后的训练。在ResNet-18与ViT等性能分布较宽的模型库上,按预测最终准确率淘汰把最佳保留模型的平均差距从0.0643降到0.0017,并把oracle top-5召回从0.11提到0.72;在CNN模型库上按当前准确率淘汰本已接近最优。

  2. arXiv

    TensorMutation 不再重训每个变异体:用神经图上的 GNN 预测预训练变异的权重变化

    深度学习变异测试长期在成本与真实性之间取舍:预训练变异体更接近真实故障,却要为每个变异体重新训练模型。TensorMutation 把训练好的模型表示成神经图,用受变异条件约束的图神经网络直接预测参数变化,从而在不重训的情况下生成可执行变异体。在 12 个真实故障对象上,它的行为相似度中位数高于后训练工具 DeepMutation++,差异经 Holm 校正后显著;与预训练工具 DeepCrime 及范数匹配随机对照的差异则不显著。

已读完全部报道