在这一节，我们提供了对我们的算法的详细技术描述。首先，我们定义和解释了 DNN 的神经元覆盖率（neuron coverage）和梯度（gradient）的概念。接下来，我们描述了其测试问题可以被如何构建为联合优化问题（joint optimization problem）。最后，我们提供了使用梯度的用于联合优化的算法。

5.1 定义

5.2 DeepXplore 算法

算法 1：通过联合优化测试输入生成

6 实现

7 实验设置

7.1 测试数据集和 DNN

7.2 特定领域的限制

8 结果

表 1：用于评估 DeepXplore 的 DNN 和数据集的细节

　　图 7：奇数行展示了种子测试输入，偶数行展示了由 DeepXplore 生成的差异诱导测试输入。左边 3 列展示了用于自动驾驶汽车的输入，中间 3 行是用于 MNIST，右边 3 行用于 ImageNet

图 9：当训练数据集使用了同样数量的输入（分别通过随机选择、对抗测试和 DeepXplore 生成）进行增强时，三种 LeNet DNN 的准确度的提升