PeerJ Computer Science· 2026Q2· Derleme
Derin öğrenme sistemleri için test senaryosu üretme stratejilerinin sistematik incelemesi
Systematic review of test case generation strategies for deep learning systems
- 0atıf
- Q2SCImago
- 2026yıl
Kısa özet
2020-2025 yılları arasındaki 61 çalışmanın sistematik incelemesi, derin öğrenme (DL) sistemleri için test senaryoları üretmeye yönelik temel stratejileri belirlemiş ve optimizasyon odaklı ve hibrit yaklaşımlara doğru bir eğilim ortaya koymuştur.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- 2020-2025 yılları arasında yayınlanan 61 derin öğrenme test senaryosu üretimi çalışmasını inceler.
- Altı ana strateji ailesini belirler: kapsama-rehberli, çekişmeli, metamorfik, arama/optimizasyon tabanlı, üretken ve hibrit.
- Optimizasyon odaklı, anlamsal olarak bilgilendirilmiş ve hibrit test süreçlerine doğru bir eğilim gözlemlenir.
- Çekişmeli, optimizasyon tabanlı ve hibrit yöntemleri hata ortaya çıkarma ve sağlamlıkla ilişkilendirir.
- Mevcut araştırmalardaki tutarsız metrikler ve tekrarlanabilirlik sorunları gibi sınırlılıkları vurgular.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Deep learning (DL) systems are increasingly used in safety- and mission-critical domains, yet their testing remains difficult because conventional software testing techniques do not adequately address high-dimensional inputs, weak or unavailable test oracles, and complex model behavior. This systematic literature review examines 61 peer-reviewed studies published between 2020 and 2025, including 51 empirical studies and 10 non-empirical secondary studies retrieved from IEEE Xplore, the ACM Digital Library, and Web of Science. We synthesize the main strategy families for DL test case generation, including coverage-guided, adversarial, metamorphic, search- and optimization-based, generative, and hybrid approaches, and analyze them across coverage-oriented adequacy, fault-revealing effectiveness, robustness-related outcomes, oracle support, and transferability. The reviewed literature shows a shift from early metric-centered testing toward more optimization-driven, semantically informed, and hybrid pipelines. Adversarial, optimization-based, and hybrid methods are often linked to fault-exposure- and robustness-oriented outcomes, whereas metamorphic and coverage-guided approaches remain important in oracle-scarce and behavior-exploration settings. To improve transparency and reproducibility, the review also reports the data sources, screening stages, and supplementary retrieval materials underlying the final study set. The evidence base remains heterogeneous, and direct cross-study comparison is limited by inconsistent metrics, uneven statistical reporting, restricted cross-domain evaluation, and limited reproducibility. Overall, this review provides a structured and critical synthesis of DL test case generation research and highlights the need for clearer evaluation protocols, stronger quality reporting, scalable oracle mechanisms, and more transferable testing frameworks for real-world deployment.
Yazarların özeti; kaynağından alınmıştır. PeerJ Computer Science, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yazılım
SoftwareComputer Science