本文介绍了基于卷积神经网络的图像分类模型对抗攻击的概念，探讨了FGSM对模型性能的负面影响，并通过模拟攻击和准确性计算展示了攻击的有害影响。最后，提出了防御蒸馏方法来抵御FGSM攻击，并给出了实验结果验证方案。

基于用户专业知识的人性化可解释人工智能（HCI-XAI）框架I-CEE提供信息丰富的训练数据子集、局部解释和模型决策，以提高用户对图像分类模型的理解和能力。实验结果显示该方法显著改善了用户模型能力准确性，突出了人性化可解释人工智能的重要性。

本文分析了减轻图像分类模型中地理偏差的方法，并通过两个数据集展示了偏差存在。提出了减少偏差的方法，并分析了这些技术对模型地理位置的影响。

介绍了GDN图像分类模型，用于识别基底细胞癌和黑色素瘤两种皮肤癌症，通过堆叠网络和逻辑回归模型提高准确性。

该文章介绍了一种新的鲁棒性测量方法，用于评估图像分类模型的表现。该方法通过与基准模型进行比较，直接评估模型的鲁棒性性能，并使用新样本扩展图像数据集，以揭示模型的行为和评估策略。