本文提出了一种新的防御方法——重构神经元剪枝（RNP），通过非对称重构学习修剪神经网络中的后门节点。结合图神经网络和强化学习的优化神经元剪枝（ONP）方法，能够有效去除后门神经元，同时保持网络性能。研究表明，微调与剪枝结合可以有效削弱后门攻击，新提出的Shapley剪枝方法在数据不足时也能有效识别和修剪受攻击神经元，确保网络结构和精度。

这个项目是基于正点原子精英板制作的简易示波器，具备读取信号频率和幅值的功能，通过按键改变采样频率和控制屏幕操作。硬件接线包括观察正弦波和三角波/噪声。信号采集依靠ADC和DMA，存储数据进数组，用于LCD上显示波形和处理参数。数据处理包括求取信号频率和幅值，使用FFT算法。模拟输出正弦波和噪声/三角波通过配置DAC和定时器实现。显示函数和按键控制用于显示波形和改变采样频率。

本研究探讨了超参数优化中的堆叠集成元学习器，它无需超参数调整，能够减少多重共线性效应，并考虑了集成学习过程的泛化能力。其中，增强策略作为堆叠元学习器显示出很大的潜力，并且完全消除了多重共线性的影响。本文提出了经典增强方法中的隐式正则化和一种新的非参数停止准则，仅适用于增强策略，并专门为超参数优化而设计。这两个增强方法的协同作用与其他现有的堆叠元学习和集成方法相比，显示出有竞争力和有希望的预测性能。