本文提出了一种新方法“视角不变对抗训练（VIAT）”，旨在通过最小化期望损失来增强图像分类器的视角鲁棒性。实验结果表明，VIAT显著提升了分类器在不同视角下的性能，并基于GMVFool生成了多样的对抗视角，以验证其有效性。

本研究提出了一种利用微调稳定扩散模型生成合成数据集的方法，应用于对象检测模型训练。结果表明，使用合成数据训练的模型在苹果果园检测中表现与真实图像相似，验证了合成数据生成技术的潜力。同时，研究还分析了图像分类器对不同失真的鲁棒性，发现卷积模型更为稳健。

本文探讨机器学习中的数据污染问题，提出优化的毒化方法和水印策略，并分析毒化攻击对图像分类器的影响。研究表明，现有的数据清洗防御措施不足，需开发更稳健的防御机制。

本研究提出了一种名为MoXI的方法，用于理解图像分类器的行为。该方法通过识别具有高预测置信度的像素，考虑了像素之间的相互影响和合作影响。实验证明，MoXI方法比其他可视化方法更好地识别出对模型输出有高度贡献的像素。同时，本研究还解决了计算成本的问题。

该文介绍了一种数学严谨的方法，用于近似高维数据的类流形的微分几何，并实现了流形上的对抗训练的投影梯度下降算法，以解决神经网络对对抗性攻击的敏感性问题。该方法应用于神经网络图像分类器的设置中，在流形上生成新颖的数据样本。

该文介绍了一个交互式系统，用户可以操作图像，探索深度学习图像分类器的稳健性和灵敏度。该系统允许用户比较和对比人类和机器学习模型用于分类的图像区域，揭示了一系列惊人的结果。

介绍了BIOSCAN-Insect数据集，由专家手动标注，包含百万图像和遗传信息，具有长尾类别不平衡分布的特点，分类标签是分层分类方案，将促进机器学习社区对生物多样性研究的兴趣，推动创建基于图像的分类器的进展，为全球生物多样性的综合调查奠定基础。

该研究将多模态大型语言模型视为图像分类器，并引入EMT评估现有的MLLM在图像分类任务上的性能。研究发现，几乎所有评估的MLLM在标准图像分类任务上无法保持与视觉编码器相同的性能水平，并且随着fine-tuning的进行，MLLM开始产生幻觉，并导致了显著的泛化能力损失。因此，MLLM在标准图像分类任务上的性能仍有待提高。