تقنيات بسيطة تعمل بشكل مفاجئ بشكل جيد لعملية تحديد أولويات اختبار الشبكات العصبية والتعلم النشط (دراسة قابلية التكرار)

يعتبر محددو أولويات إدخال الاختبارات (TIP) لشبكات الأعصاب العميقة (DNN) تقنية مهمة للتعامل مع مجموعات بيانات الاختبار الكبيرة جداً بكفاءة، مما يوفر تكاليف الحساب والتسمية. هذا صحيح بشكل خاص للأنظمة التي تم نشرها على نطاق واسع، حيث يتم تسجيل المدخلات المرصودة في الإنتاج لتكون بمثابة بيانات اختبار أو تدريب محتملة للإصدارات التالية من النظام. يقترح Feng وزملاؤه DeepGini، وهي TIP سريعة وبسيطة جداً، ويظهرون أنها تتفوق على تقنيات أكثر تعقيداً مثل تغطية العصبونات وتغطية المفاجآت. في دراسة على نطاق واسع (4 دراسات حالة، 8 مجموعات بيانات اختبار، 32,200 نموذج مدرب) نتحقق من نتائجهم. ومع ذلك، نجد أيضًا أن أسس مقارنة أخرى أو حتى أكثر بساطة من مجال تقدير عدم اليقين، مثل احتمال softmax المتوقع أو إنتروبيا احتمالات softmax المتوقعة، تؤدي بشكل جيد مثل DeepGini.