@techreport{oai:ipsj.ixsq.nii.ac.jp:00237356,
 author = {大渕, 大地 and 勝家, 拓巳 and 岡野, 浩三 and 小形, 真平 and 中島, 震 and Daichi, Ofuchi and Takumi, Katsuie and Kozo, Okano and Shinpei, Ogata and Shin, Nakajima},
 issue = {2},
 month = {Jul},
 note = {近年，人工知能 (AI) や機械学習の技術は様々な分野で成果をあげている．AI ソフトウェアをシステムに組み込むうえで，AI ソフトウェアの品質が重要視されている．NN モデルに対し，追加の訓練データセットのニューロンカバレッジ (NC) を計算し，その結果に基づいて外れ値の検出を行い，その外れ値を除去することでモデルの品質，特にロバスト性が向上する追加訓練データセットのデバッグ方法が知られている．そこで，本稿では先行研究の実験を CNN モデルに拡張し，CNN モデルでも先行研究と同じような成果を確認した．また，先行研究の手法を用いてロバスト性を維持したまま，正確性を向上するような追加訓練データを構築できることを確認した．, Recently, Artificial Intelligence (AI) and machine learning technologies have made great achievements in various fields. The quality of AI software has become an important issue in integrating AI software into systems. There is a well-known method for debugging additional training datasets which improves the quality, especially robustness, of the model by calculating the Neuronal Coverage (NC) of the additional training datasets for the NN model, detecting outliers based on the results, and removing them. Therefore, in this paper, we extend the experiments of the previous study to CNN models and confirm the same results as in the previous study. We also confirmed that it is possible to construct an additional training dataset that improves the accuracy while maintaining the robustness using the method of the previous study.},
 title = {CNNモデルの内部活性化状態を用いた 訓練データセットのデバックとテスティング},
 year = {2024}
}