本研究提出了一种新型对抗训练框架——平滑鲁棒潜VAE（SRL-VAE），显著提升了变分自编码器（VAE）的生成质量和稳健性。实验结果表明，SRL-VAE在图像重建和文本引导的图像编辑中表现出更好的生成质量和抗攻击能力。

本研究分析了大型视觉语言模型（LVLMs）在图像攻击中的脆弱性，提出了DPS方法，通过部分感知监督提升模型的抗攻击能力，使攻击成功率降低了76.3%。

本研究提出了一种新方法，通过时间域可转移攻击和语音感知梯度优化，显著增强了自动语音识别模型的抗攻击能力，实验结果优于基线方法。

本研究提出了一种名为AgentPrune的高效通信框架，旨在解决基于大语言模型的多智能体系统中的通信冗余问题。该框架显著减少了通信冗余，降低了成本，实验表明可实现高达72.8%的令牌减少，并提升了抗攻击能力。

本文探讨了图信号处理与图嵌入模型的关系，提出了GF-Attack攻击器，能够有效攻击图滤波器。同时，研究了图神经网络的鲁棒性，提出了基于贪心算法的节点选择和无监督流水线STABLE等优化方法，以增强模型的抗攻击能力。实验结果表明，这些方法在多个基准数据集上表现优越。