本研究提出了AgentSafe框架，通过分层数据管理和内存保护增强基于大型语言模型的多智能体系统的安全性。研究表明，AgentSafe能够有效分类信息，提高系统在对抗环境中的防御成功率，并在代理数量和信息复杂性增加时表现优异，显示出实际应用潜力。

本文探讨了在对抗环境中，大语言模型（LLMs）输出归因的挑战。研究表明，由于语言类别的不可识别性和模型输出的重叠，无法从有限的文本样本中准确归因于特定LLM，强调了降低风险的必要性。

本文研究了含对手的强化学习中的马尔科夫决策过程，提出了乐观策略优化算法POWERS，能够近似最小化最优遗憾。研究还探讨了多批次更新机制、偏差受限最优策略的计算方法及在线学习的应用，提出新算法以提高对抗环境下的决策效率，具有重要的理论和实践意义。

该文提出了一种感知感知融合框架，旨在提高对抗环境中的分割鲁棒性。通过分析图像融合和对抗扰动对分割鲁棒性的影响，提出了一种基于分解结构的协同设计方法来平衡准确率和鲁棒性，并采用自适应学习策略来提高图像融合的参数鲁棒性。实验结果显示，在对抗场景中，与竞争对手相比，分割的mIOU提高了15.3%。