原论文：
    image.pngimage.png
    coverage提出的目的：衡量测试的有效性，基于同一个假设：coverage和测试的有效性之间存在相关性。
    我们研究的重点是coverage和测试的有效性之间的相关性。
    （在测试集大小相等的情况下，对抗样本和揭错样本的比例一定程度上可以代表测试的有效性）
    所以最后我们分析的是coverage和p以及error_rate之间的相关性。
    🌟在更复杂更多样的数据集和模型上进行了实验，并针对每类数据集提出了特定的对抗样本生成方法

    Correlations between Deep Neural Network Model Coverage Criteria and Model Quality

    • 这篇文章重点研究的是coverage和模型自身性能之间的关系，一个是从原理的角度出发，一个是是从应用的角度出发。
    • 基于coverage的对抗样本生成方法 VS 基于梯度下降的对抗样本生成方法
    • 基于coverage的重训练方法 VS 基于对抗样本的重训练方法
    • 🌟分析了各coverage内在的相关性

    Is Neuron Coverage a Meaningful Measure for Testing Deep Neural Networks?

    • 只用了NC一种coverage
    • 将提升NC和现有的对抗样本生成算法融合在一起，观察此种情况下生成的样本在1）defect detection 2）naturalness 3）output impartiality这三个方面的效果，作者针对这三个方面给出了衡量的公式，并分析了其值和NC之间的相关性