تعتبر الشبكات العصبية العميقة (DNNs) أحد الأركان الأساسية في ميدان الذكاء الاصطناعي، حيث تلعب دوراً حيوياً في مختلف التطبيقات الحديثة. ومع انتشار استخدامها، أصبحت اختبارات الأمان المتعلقة بهذه النماذج أحد أهم مجالات البحث. من خلال إدخال حالات اختبار، يتم تحليل سلوك النماذج للكشف عن أي شذوذ، وتستخدم معايير التغطية لتحديد مدى تغطية الخلايا العصبية لهذه الحالات.

تسعى ورقة البحث الأخيرة لدراسة العلاقات والأنماط لمجموعة من معايير التغطية الأربعة: الوظيفة الأولية، الحدود، الهيكل، والتغطية الهيكلية. تم إجراء سلسلة من التجارب التجريبية حيث تم اختيار ثلاثة طرازات مختلفة من الشبكات العصبية العميقة (DNN) هي LeNet وVGG وResNet، مع 10 نماذج تتنوع أعماقها بين 5 إلى 54 طبقة. من خلال هذه التجارب، تم التحليل والمقارنة بين كيفية تأثير العمق والتكوين على معايير تغطية الشبكة العصبية.

تضيف هذه الدراسة بُعداً جديداً لفهم كيفية تحسين أمان النماذج عن طريق تحليل العلاقات بين تغطية القرار/الحالة المعدلة وحجم مجموعة البيانات. في الختام، تقترح الورقة ثلاثة اتجاهات مستقبلية محتملة من شأنها أن تعزز من أمان اختبار نماذج DNN وتفتح آفاق جديدة للبحوث في هذا المجال.