本研究提出了一种新型三维卷积神经网络模型SFR，旨在有效预测体外受精牛胚胎的可转移性，验证了其在生物学任务中的有效性和准确性。

本研究提出了图元组神经网络（GtNN），解决了多图环境下图神经网络的可转移性问题，证明了其在收敛图元组序列上的可转移性，并通过实验验证了其稳定性。

本研究提出了一种新方法，通过对抗演化三角形增强多模态对抗样本的多样性，显著提升其可转移性，实验结果优于现有攻击方法。

本研究首次系统评估对抗性攻击的可转移性，分类多种增强方法，并引入TAA-Bench基准框架，提供标准化比较平台，揭示各方法的有效性与局限性，为学者和实践者提供参考。

本研究提出了GraphTeam，一个多智能体系统，旨在解决大型语言模型在图分析中的可转移性和性能问题。实验结果显示，准确率提高了25.85%。

本研究首次系统审查对抗攻击的可转移性，评估增强方法。引入TAA-Bench框架，整合十种方法，提供跨模型比较平台。描述每种方法的有效性和限制，揭示其原理和实用性，为学者和实践者提供资源，绘制领域地图，奠定未来探索基础。

本研究探讨了传统数据集距离在预测-优化（PtO）框架中的局限性，并提出了一种新的数据集距离，能准确预测不同PtO任务中的可转移性。

研究人员提出了一种新的攻击方法，可以识别基于骨骼的人类活动识别（HAR）系统。他们通过平滑损失函数景观提高攻击的可转移性，并提出了后期训练的双贝叶斯策略。实验评估表明，该方法在不同数据集上的传递成功率较高，为未来的HAR系统攻击和防御提供了启示。

利用普遍和开源数据开发了一种新的生成式深度学习方法来进行人类流动性建模和合成，并能够通过本地数据进行微调，实现在不同地区对流动模式的适应和准确表示。该模型在美国的全国数据集上进行评估，在生成紧随真实分布的活动链条方面表现出优异的性能。对来自加利福尼亚、华盛顿和墨西哥城的州或城市特定数据的进一步测试证实了其可转移性。这种创新的方法在促进流动性建模研究方面具有巨大的潜力，特别是在为下游基于活动的流动性模拟模型生成人类活动链条的输入和为城市规划师和政策制定者提供增强工具方面。

利用普遍和开源数据开发了一种新的生成式深度学习方法来进行人类流动性建模和合成，并能够通过本地数据进行微调，实现在不同地区对流动模式的适应和准确表示。该模型在美国的全国数据集上进行评估，在生成紧随真实分布的活动链条方面表现出优异的性能。对来自加利福尼亚、华盛顿和墨西哥城的州或城市特定数据的进一步测试证实了其可转移性。这种创新的方法在促进流动性建模研究方面具有巨大的潜力，特别是在为下游基于活动的流动性模拟模型生成人类活动链条的输入和为城市规划师和政策制定者提供增强工具方面。

该研究提出了一种名为PDCL-Attack的新型转移攻击方法，通过CLIP模型增强生成模型攻击框架产生的对抗扰动的可转移性。实验证实该方法在跨域和跨模型设置下优于现有技术。

本文介绍了一种名为ArCL的新方法，可提高对比学习的可转移性，并与现有算法集成。实验证明，ArCL能够保持学习域不变特征。

研究比较了多模式表示学习在医学领域的效果，发现通用领域表示在医学领域具有可转移性，多模式对比训练不足够，学习细粒度特征有益处。研究结果表明多模式医学表示学习的有效性，并公开了代码。

研究人员重新审视了十年前的“数据集分类”实验，发现现代神经网络在分类图像来自哪个数据集的问题上能够达到极高的准确率。进一步实验表明，这样的数据集分类器可以学习到具有泛化性和可转移性的语义特征，有助于重新思考数据集偏差和模型能力的问题。

本研究介绍了一种新颖的神经渲染方法，特别适用于对抗性伪装。该方法名为FPA，通过模拟光照条件和材质变化，实现对三维目标纹理的细致表达。实验证明FPA在攻击成功率和可转移性方面表现出强大性能，且贴纸模式伪装结合隐蔽约束可以适应环境，产生多样的纹理风格。

本文提出了一种多任务深度网络学习通用高级视觉表示的方法，通过训练人工制成的图像来克服真实与合成数据之间的领域差异。实验证明，该网络相比单任务基线学习到更具有可转移性的表示，能够产生最先进的迁移学习结果。

本文提出了一种新的方法ArCL，通过保证学习域不变特征，显着提高了对比学习的可转移性。实验证明，对比学习的下游表现在很大程度上取决于数据增强的选择。

该研究使用Army of Thieves（AOT）模型集成来作为盗贼模型，通过训练多个模型来利用人群的智慧，选择不确定样本进行查询。在CIFAR-10数据集上训练的模型的对抗样本可转移性比先前的研究提高了21％。