यह शोधपत्र एक आवश्यकता-संचालित परीक्षण विधि (RBT4DNN) प्रस्तावित करता है जो डीप न्यूरल नेटवर्क (DNN) के लिए कार्यात्मक आवश्यकताओं के निर्माण की कठिनाई को दूर करने के लिए प्राकृतिक भाषा आवश्यकता विनिर्देशों का लाभ उठाती है। RBT4DNN एक शब्दावली का उपयोग करके एक अर्थपूर्ण फ़ीचर स्पेस को परिभाषित करता है और कार्यात्मक आवश्यकताओं की पूर्वशर्तों को इन विशेषताओं के तार्किक संयोजनों के रूप में औपचारिक रूप देता है। इन विशेषता संयोजनों के अनुरूप प्रशिक्षण डेटा का उपयोग करते हुए, यह एक जनरेटिव मॉडल को परिष्कृत करता है ताकि विश्वसनीय रूप से ऐसे परीक्षण इनपुट उत्पन्न किए जा सकें जो पूर्वशर्तों को पूरा करते हों। फिर इन परीक्षणों को प्रशिक्षित DNN पर चलाया जाता है, और आउटपुट की तुलना आवश्यकता-पश्चात स्थितियों के अपेक्षित व्यवहार से की जाती है। RBT4DNN दो उपयोग स्थितियों को प्रस्तुत करता है: DNN में दोषों का पता लगाना और विकास के दौरान मॉडल व्यवहार के आवश्यकता-संचालित अन्वेषण के माध्यम से मॉडल सामान्यीकरण पर प्रतिक्रिया प्रदान करना। मूल्यांकन परिणाम प्रदर्शित करते हैं कि RBT4DNN-जनित परीक्षण यथार्थवादी, विविध और आवश्यकता पूर्वशर्तों के अनुरूप हैं, जिससे मॉडल व्यवहार का लक्षित विश्लेषण और प्रभावी दोष पहचान संभव होती है।
