慕測科技
深度學習系統的測試選擇
摘要由於所涉及的計算數量和複雜性過多,深度學習模型的測試具有挑戰性。因此測試數據的測試是手動完成的。這就引出了一個問題:我們如何自動選擇候選數據來測試深度學習模型。最近的研究集中在定義度量來衡量測試套件的徹底性,並依靠這些度量來指導新測試的生成。
目標數據在遷移學習中的價值
我們的目標是了解遷移學習中附加標記或未標記目標數據的價值,為此,我們根據源和目標樣本量建立了第一個極大最小率,並表明性能限制是由源和目標之間的差異捕獲的,我們稱之為轉移指數。
跨平台描述深度學習開發和部署的實證研究
最近,深度學習在各個領域都取得了巨大的成功。通過我們的研究,我們確定了挑戰並指出了新的研究方向,例如了解 DL 框架和平台的特徵,避免了兼容性和可靠性問題,檢測 DL 軟體錯誤並減少了開發和部署的時間成本和內存消耗高質量的 DL 系統。深度學習框架,深度學習平台,深度學習部署,實證研究。
C++原始碼漏洞靜態掃描系統
如圖 2 所示,本文提出方法應用於漏洞靜態掃描,從結果來看相比開源工具 Cppcheck 和 TscanCode,在 precision 上提升了超過 20%,同時 recall 值也未降低很多,並且 F1 值也提升了 22%。
Web應用自動測試系統報告生成服務
監控數據獲取部分主要依靠引入 Crawljax Plugin 中 PreCrawlingPlugin、OnNewStatePlugin 以及 PostCrawlingPlugin 三個監控模塊接口,分別實現執行引擎初始化、運行過程、測試完成三個狀態的監控;
邏輯字節碼約減
引用Kalhauge, Christian Gram and J. Palsberg. 「Logical bytecode reduction.
基於圖像特徵與布局刻畫的移動測試腳本跨平台錄製回放
但是,Airtest 專注於遊戲類型的移動應用,對於區域類別的移動應用的支持較差,並且針對不同的移動平台採用了不同的圖像匹配方案,這導致 Airtest 仍無法在不同平台之間進行腳本的遷移。
VISTA:使用計算機視覺修復 Web 測試
當用於版本V1 的測試 t 在後續版本 V2 上斷裂時,測試人員需要了解斷裂背後的根本原因以及可能的修複方法。
醫療保健數據網關:通過新的隱私風險控制在區塊鏈上找到醫療情報
41.1引用Yue X, Wang H, Jin D, et al. Healthcare data gateways: found healthcare intelligence on blockchain with novel privacy risk control[J].
T3i:用於生成和查詢 Java 測試套件的工具
由此,用戶可以使用以下方式創建使用上述G 的 T3 實例:然後,如圖 2 中的示例所示,我們可以通過調用 t3』.ADT的函數表達式 OneOf的實例來完成相應的生成任務。