本研究旨在解决深度神经网络（DNN）在面对公共数据集时可能遭遇的数据中毒攻击问题。我们提出了一种新颖的方法——贪婪模块替换（GMS），能够识别并替换后门模型中关键的“冗余”模块，从而实现模型的净化。实验结果表明，GMS在多个设置下对抗广为人知的攻击非常有效，显著降低了后续攻击成功率。

本研究提出了一种语音表示净化与监督增强框架（SRPSE），有效消除音色和节奏等无关因素对语音转文本翻译的负面影响，显著提升翻译效果，尤其在无文本转录条件下表现优异。

本文研究了深度神经网络受到后门攻击时存在的数据集净化方法的不足，尤其是在一些复杂攻击场景下当前方法的假设无法成立。提出了FLARE，一个通用净化方法，通过整合所有隐藏层的异常激活来增强数据的分离性，能够有效识别和清除受到污染的数据样本，实验结果表明FLARE在多种后门攻击中表现出色。

本文介绍了多种基于扩散模型的对抗净化方法，如DiffPure、GDMP、MimicDiffusion和OSCP。这些方法通过不同技术提升了深度神经网络在对抗攻击下的鲁棒性，实验结果显示分类准确性和防御成功率显著提高，具有重要的实际应用潜力。

本文探讨了联邦学习中的后门攻击及其防御策略，提出了多种攻击方法和防御机制，如范数削弱、差分隐私和FedGrad等。研究指出现有防御措施存在缺陷，需进一步改进以确保模型安全性。

本文探讨了多种基于扩散模型的对抗性净化方法，如特征纯化原则、DiffPure、GDMP和LGAP，旨在提升深度神经网络的鲁棒性和分类准确性。研究表明，这些方法在对抗攻击下表现优越，具有重要的实际应用潜力。

本文讨论了文本排毒技术，旨在将有毒语言转化为中性语言。研究扩展了多语言排毒模型，展示了平行语料库对模型性能的提升，并在多个语言数据集上取得了显著效果，特别是在冒犯语言识别和跨语言文本转换方面。

本文介绍了多种基于扩散模型的对抗净化方法，如DiffPure、Purify++、MimicDiffusion和GDMP。这些方法在多个数据集上显著提升了深度神经网络的鲁棒性和分类准确性，尤其在抵御对抗攻击方面表现突出。研究表明，扩散模型能有效降低对抗扰动，增强模型的防御能力。

本文探讨了基于扩散模型的对抗净化方法，显著提高了事件分类器在对抗攻击下的准确率，并降低了攻击影响。研究提出了导向扩散模型净化（GDMP）和渐进隔离被污染数据的方法，均在多个数据集上表现优异，增强了模型的鲁棒性。

本文介绍了一种新颖的净化方法GDMP，旨在保护深度神经网络免受对抗攻击。实验结果表明，GDMP显著提高了分类准确性和鲁棒性。此外，DiffPure和DEAT方法在对抗训练中表现优越，有效解决了泛化问题。通过扩散模型生成的训练数据，能够有效降低无标签污染攻击的成功率，保持模型效用。

研究人员提出了一种新框架对抗训练纯化（AToP），通过随机转换和对抗损失优化深度神经网络的鲁棒性。实验结果表明，该方法在CIFAR-10、CIFAR-100和ImageNette数据集上显著提升了对抗攻击的防御能力和泛化能力。

通过使用因果关系而非传统的似然方法，基于多模态情感分析（MSA）的多模式对比事实推断情感（MCIS）分析框架能够从具有有害偏见的观察中做出无偏决策，并有效地减轻数据集偏差的问题。

提供了一种名为Under-Display Camera (UDC)的技术，通过将前置摄像头隐藏在显示面板下，实现了全屏体验。然而，UDC的图像质量明显下降。提出了一种名为UDC-DMNet的双阶段网络，通过建模UDC成像过程来合成UDC图像。使用UDC-DMNet和来自FFHQ和CelebA-Test的高质量人脸图像创建了训练和测试数据集。引入了一种名为DGFormer的新型字典引导转换网络，用于处理UDC场景中的盲目人脸修复。实验结果表明，DGFormer和UDC-DMNet实现了最先进的性能。

通过使用生成模型进行对抗性净化，新的框架语言引导对抗净化（LGAP）展示了很强的对抗性防御性能。LGAP利用预训练的扩散模型和字幕生成器来防御对抗性攻击，经过评估证明了其提高对抗性鲁棒性的有效性。LGAP的性能优于现有的对抗性防御技术，无需专门的网络训练，为进一步研究提供了有希望的方向。

前言