本研究探讨了针对基于图神经网络（GNN）的欺诈检测器的攻击，提出了一种名为MonTi的多目标图注入攻击模型。该模型利用变压器生成攻击节点的属性和边，显著提升了攻击效果。实验结果表明，MonTi在多个真实世界图上的表现优于现有方法。

本研究提出了一种分布式多目标后门攻击模型，针对联邦学习中的后门攻击问题。通过多通道触发策略和后门重放，确保不同恶意客户端的攻击有效性，验证结果显示攻击成功率超过93%。

本文探讨了基于博弈论的协作人工智能系统，旨在提高系统的可恢复性并减少CO2足迹。研究涉及网络物理系统的攻击模型、任务生成方法及其在物理推理中的应用，强调多智能体运动预测与控制的交互建模问题，并提出优化算法以应对攻击策略。

本文探讨了非线性随机最优控制问题，采用KL最小化方法和近似推理技术进行优化控制计算。研究内容包括线性二次控制问题、鲁棒LQG控制器的样本复杂度、攻击模型对LQG学习者的影响，以及量子LQG控制问题的物理可实现性，提出了多种控制算法和理论保证，以提高对强化学习控制系统安全威胁的认识。

该论文介绍了一种新的HGNNs攻击模型MGHGA，集中在修改节点特征上，能够在离散和连续数据集上有效对节点和视觉对象分类任务进行攻击，相对于基准方法，攻击性能平均提升了2%。