GNN 테스트 케이스 우선순위: 모델 불확실성 및 특징 공간 혼동 융합

그래프 신경망(GNN)은 3D 컴퓨터 비전 분야에서 널리 활용되지만, 대규모 테스트 데이터 레이블링 비용으로 인해 신뢰성 검증에 어려움이 있습니다. 기존 딥러닝 테스트 케이스 우선순위 기법들은 단일 차원 휴리스틱이나 뮤테이션 기반 분석에 의존하여 결함 다양성이 제한되거나 막대한 계산 오버헤드를 초래하는 문제가 있었습니다. 본 논문은 이러한 한계를 극복하기 위해 다차원 테스트 우선순위 프레임워크인 LeF-MTP를 제안합니다. LeF-MTP는 계산 집약적인 외부 뮤테이션 대신 모델의 내부 인지 상태를 직접 활용합니다. 예측 불확실성과 특징 공간 혼동성이라는 두 가지 차원을 통해 테스트 케이스를 특성화하고, 이 인지적 특징들을 랜덤 포레스트 분류기로 융합하여 실패 확률을 예측합니다. 이후 특징 클러스터링 기반의 다양성 인식 재순위화 과정을 통해 우선순위 목록을 최적화합니다. LeF-MTP는 ScanObjectNN 및 S3DIS를 포함한 4가지 3D 포인트 클라우드 데이터셋과 4가지 GNN 아키텍처에서 평가되었습니다. 실험 결과, LeF-MTP는 휴리스틱 및 뮤테이션 기반 기준선 대비 8.79%에서 74.69% 향상된 평균 결함 탐지율(APFD)을 달성했습니다. 또한, 효율성 분석을 통해 뮤테이션 기반 방법론보다 특징 생성 시간을 단축하여 GNN 테스트의 실용성을 입증했습니다. 이 연구는 GNN 테스트 케이스 우선순위 지정의 효율성과 효과를 크게 향상시키는 새로운 접근 방식을 제시합니다. 제안된 프레임워크는 GNN 기반 시스템의 신뢰성을 검증하고 실제 적용 가능성을 높이는 데 기여할 것으로 기대됩니다.