BallPri：通过变量空间中的容忍球对深度神经网络测试用例进行优先级排序

基于摘要分析。该研究针对深度神经网络测试中标注成本高、需要优先发现错误输入的问题，提出测试用例优先级排序方法 BallPri。主要研究对象是通用 DNN 的测试与可靠性保障，而非 EEG 解码或 BCI 算法。 机制方面，BallPri 为不同测试用例提取变量空间中的容忍球（tolerant ball），再使用最小非参数似然比（minimum non-parametric likelihood ratio，MinLR）进一步放大分布差异，据此优先选择易暴露模型错误的输入。摘要未说明变量空间的具体定义、容忍球的构造方式、MinLR 的计算公式及排序过程是否依赖标签，这些关键实现条件尚未验证。作者将 DeepGini、PRIMA 列为相关方法，但具体实验基线组成需核对全文。 结果方面，作者报告，在所用基准数据集和模型上，相较基线，排序有效性与排序效率平均分别提升 47.83% 和 37.27%；摘要未提供对应指标定义、数据划分、各任务结果及平均方式，因此不能将这些数字解释为预测 Accuracy 的提升。作者报告验证覆盖分类与回归任务、卷积神经网络与循环神经网络，以及图像、文本和语音数据，并进一步评估了潜在自适应攻击。具体数据集、模型规模、时间复杂度表达式、攻击设置、消融及统计信息尚未验证。摘要提供了开源代码地址，但代码可运行性与实验复现条件尚未核验。 平台推测（待验证）：若容忍球与 MinLR 能从 EEG 解码模型的输出或内部表征中稳定计算，该排序机制可能用于有限标注预算下的错误样本筛查；这不等于已证实其能改善 BCI 性能。可尝试复用排序模块，但需改造 EEG 表征与距离度量，并核对所需参考数据及监督信息。低信噪比、跨被试分布变化、通道差异和小样本可能使分布差异主要反映噪声，而非模型错误。一个可检验的小实验是在固定跨被试划分的 EEG 分类模型上，保持测试标签不参与排序，以相同标注预算比较 BallPri、DeepGini 与随机排序发现错误样本的数量及运行时间。相关 EEG 工作尚未检索确认。