机器学习数据适用性和性能测试的故障注入测试框架
创建弹性机器学习系统对于确保生产就绪的机器学习系统并顺利获取用户信任已成为必要。输入数据和模型的质量对数据敏感系统的端到端测试成功具有高度影响。然而，与模型测试相比，输入数据的测试方法缺乏系统性且较少。为了填补这一空白，本文提出了一种基于故障注入技术的输入数据故障注入测试框架（FIUL-Data），该框架测试机器学习模型对多种故意引发的数据故障的弹性。数据变异器探索机器学习系统的脆弱性，针对...
本文提出了一种基于故障注入技术的输入数据故障注入测试框架（FIUL-Data），用于测试机器学习模型对多种故意引发的数据故障的弹性。实证评估结果显示，FIUL-Data 框架可以评估机器学习模型的弹性，较大的训练数据集上，机器学习模型表现出更高的弹性，在较小的训练集中梯度提升方法优于支持向量回归。
