1. finetune的模型普遍要比mutate的模型效果更好，但在cifar10上正确样本受影响较大
2. mutate方法的劣势：需要生成大量的变异模型且未找到可解释的选择方法
3. 按照finetune的思路，错误样本应该杀死更多的变异模型，但是并非相关性（killrate和样本正确与否）越高，最后的效果越好。没有找到一个合适的metric衡量特征选择的结果。
4. 就KMeans而言，现有的聚类效果评价指标并不能找到最佳的聚类类别数，其实也不是k较小的时候效果比较好，但是比较稳定。但是我们聚类的目标和pace有所区别，pace根据行为进行聚类，而现在我们的聚类的目标已经变成了想把错误用例和测试用例分开，所以k取较小数值的时候方法可解释。