변이 분석 (Mutation analysis)은 최근 심층 신경망 (DNNs) 문맥에서 테스트 데이터셋의 적절성을 평가하기 위한 유망하지만 비용이 많이 드는 접근 방식으로 다시 부상했습니다. 기존 기술들은 변이 점수 (mutation score)의 정확도를 효율성과 맞바꾸는 손실이 있는 근사치 (lossy approximations)를 통해 DNN 변이 테스트 속도를 높입니다. 본 논문은 메모이제이션 (memoization)을 통해 DNN 변이 테스트를 가속화하는 최초의 증명 가능한 무손실 (provably lossless) 프레임워크인 Mure를 소개합니다. Mure는 DNN 변이체 (mutants)와 원본 모델이 상당한 중복 계산을 공유한다는 아이디어에 기반합니다. 따라서 변이 테스트 중에 각 변이체의 변이된 접미사 (mutated suffixes)만 실행하고, 단 한 번만 계산되는 원본 모델의 공통 접두사 (common prefix)를 재사용합니다. 우리는 메모이제이션된 변이 테스트에 대한 공식적인 설명을 제공하고, Mure가 건전함 (sound), 즉 철저한 바닐라 변이 테스트 (vanilla mutation testing)와 동일한 결과를 생성함을 증명하며, 가속화가 보장되는 기본 조건을 식별합니다. 우리는 Mure를 구현하여 수천 개에서 수백만 개의 파라미터에 이르는 다양한 아키텍처, 복잡성 및 크기를 가진 15개의 DNN 모델에서 평가했습니다. 이는 Mure가 변이 테스트의 계산 비용을 평균 44.54% 감소시킨다는 실증적 증거를 제공합니다. 또한 최첨단 (state-of-the-art) 기술들이 더 높은 가속화(평균 최대 88.97%)를 제공하는 경향이 있지만, 이는 변이 점수에서의 어느 정도의 오류를 대가로 한다는 점을 관찰했습니다. 우리는 더 나아가 변이 생성 선택 비율 (mutation generation selection ratio)이 Mure의 효과에 미치는 영향을 분석하였으며, 변이된 뉴런의 비율이 증가함에 따라 메모이제이션 기회가 예측 가능하게 감소함을 관찰했습니다. 우리는 뉴런의 5%까지 변이되는 높은 수준에서도 Mure가 20% 이상의 속도 향상을 제공함을 확인했습니다.