本文提出了一种新颖的对抗样本生成方法，针对多任务分类器进行攻击，通过提取可转移特征来实现。实验结果表明，该方法在十个数据集上表现优异，能够有效降低隐藏任务的准确性，同时保持可见任务的性能，且成本较低。

该文介绍了一种结合RoBERTa和GCN模型的多任务分类器，用于代码漏洞检测。该模型采用语义性漏洞图降低偏差，结合Focal Loss目标函数降低数据集不平衡的影响。在多个数据集测试中，该模型表现优异，能够提高检测效果，并在针对Github代码库的N-day程序样本的测试中表现出93%的准确率，能够检测出4种零日漏洞。