DeepSample：基于 DNN 的操作准确性评估测试

通过使用深度神经网络模型的表示进行筛选测试数据，结合交叉熵算法进行高维分布采样，可以有效提高神经网络模型的可靠性，减少所需标签数据量。

提出了一种基于深度生成模型的有效测试方法，以消除无效测试并提高测试输入的有效性，特别针对DNN组件的安全和可信度进行深入测试。

引入DAIC方法，结合在线伪预测和离线抽样技术，估算和提高DNN系统的操作准确性，并整合到DNN系统的迭代生命周期中。

提出了四种新的测试标准，旨在平衡测试用例生成的计算成本与发现缺陷的能力，并通过对抗性例子进行验证。

提出了一种名为TheDeepChecker的调试方法，用于检测深度神经网络训练中的编码错误和系统失配，显示出优于现有工具的性能。

研究了神经网络的测试方法，提出覆盖所有逻辑的覆盖率准则，并强调快速、可扩展、通用的端到端测试方法的必要性。

介绍了一种基于神经网络的精度监测模型，用于监测深度神经网络的推断精度，提高其在安全关键应用中的可信度。

提出了一种算法，用于制造容易被误分类的对抗样本，并评估不同类型样本的抗击抗性，提出初步防御方法。