arXiv cs.AI· Jinghao Wen, Xianglong Yu, Shaohuang Wang, Xun Jiao·· 1 天前AI 评分29
NSAI-Fuzz：面向异构神经符号 AI 系统的自适应模糊测试框架
One Fuzzer, Many Reasoners: Adaptive Neuro-Symbolic Fuzzing with Reliability-Calibrated and Context-Gated Guidance
AI 导读
研究者提出统一语义感知模糊测试框架 NSAI-Fuzz，将任务相关的有效变异与架构无关的引导搜索分离，并用边界压力、接地不确定性、表示漂移、约束违反和存档新颖度五个风险信号表示候选。
正文 · AI 翻译
摘要：神经符号 AI（NSAI）将学习到的感知与程序、约束和组合推理相结合，但由于微小的语义保持变化就可能改变接地符号并触发不连续的推理失败，因此仍然难以测试。现有的神经模糊测试器主要依赖神经覆盖率或表示空间反馈，无法为异构 NSAI 系统提供统一的测试接口。我们提出 NSAI-Fuzz，一个统一的语义感知模糊测试框架，它将任务特定的有效变异与架构无关的引导搜索分离，并使用五种可用性感知、秩归一化的风险信号表示每个候选：边界压力、接地不确定性、表示漂移、约束违反和存档新颖性。我们进一步提出可靠性校准加权（RCW），它从校准后的可靠性中学习数据集-模型级别的信号分配，以及上下文信号门控（CSG），它使信号权重适应当前候选池。我们在四个推理任务、九个兼容的数据集-模型单元、20 种策略和 1,800 次在线策略运行中评估了四个 NSAI 系统。固定的五信号引导在每个单元中都优于 Random 和 Uniform，而 RCW 和 CSG 在所有九个单元中进一步优于 Fixed。在匹配的变异和查询预算下，RCW 和 CSG 分别实现了 16.17% 和 16.06% 的聚合失败发现率，而最强的神经模糊测试基线为 6.06%。挂钟时间评估进一步表明，TensorFuzz 的运行时间是 RCW 的 1.11 倍，而失败吞吐量仅为 RCW 的 0.45 倍。这些结果表明，对异构 NSAI 系统进行有效且高效的模糊测试，受益于具有自适应信号分配的通用神经符号风险接口。
| 学科： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.16211 [cs.AI] |
| （或此版本的 arXiv:2611.16211v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2611.16211 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jinghao Wen [查看电子邮件]
[v1]
2026 年 11 月 12 日星期四 03:04:34 UTC（659 KB）
来源：arXiv cs.AI · arxiv.org