本文探讨了机器学习和深度神经网络在语义分割中的对抗性攻击，提出了DAG算法生成对抗样本，并分析了对抗扰动的传递性。研究表明，敌对训练在语义分割中存在挑战，但通过微调可以实现有效防御。此外，提出了基于不确定性的攻击检测方法和新的损失函数，显著提高了模型的鲁棒性。

本文探讨了图神经网络（GNN）的可解释性及其在对抗性攻击下的脆弱性。研究表明，敌对训练可以提高模型的可解释性，尤其在化学领域应用中更为有效。此外，提出了自我可解释的GNN框架和新型ProtGNN结构，以增强模型的透明度和解释能力。

本文提出了通过敌对训练生成稳健高保真黑盒模型解释的新框架。实验结果显示该方法在分布偏移下具有稳定性和鲁棒性，且不牺牲解释保真度。