本研究提出了SAFELOC框架，旨在解决室内定位中的数据中毒攻击和设备异质性问题。通过融合神经网络和动态显著性图聚合策略，SAFELOC显著提高了定位精度和移动设备的运行效率。实验结果表明，该框架在多种场景下优于现有技术。

本研究探讨了大型语言模型（LLMs）的安全性和脆弱性，揭示了数据中毒攻击和后门攻击的风险。研究表明，模型在指令调整和用户反馈下易受攻击，防御措施效果有限，需加强防御机制以保护模型完整性和用户信任。

本文探讨了物联网系统中数据中毒攻击的防御方法，提出了基于深度学习的LSD和CSD算法，提升了19%的准确率。研究表明，标签翻转攻击易于检测，而特征污染攻击更具隐蔽性，强调了对抗性攻击对机器学习模型的威胁。