过去十年中，对抗攻击算法揭示了深度学习工具的不稳定性，引发了与人工智能中的安全性、可靠性和可解释性相关的问题。攻击和防御策略开发者之间发生了升级战。研究人员还研究了关于攻击的存在和可计算性的更大问题。

GNoME是一个新的深度学习工具，发现了220万种新晶体，其中38万种可用于未来技术。它可以预测新材料的稳定性，可能应用于超导体、超级计算机和电动汽车等领域。GNoME使用图网络进行材料探索，可能带来突破性进展，如下一代电子产品、革命性储能、先进光伏电池、量子计算材料、高温超导体等。

EHCPool是一种聚类图池化方法，用于提高GCNs的表示学习能力和获取异常脑图。该方法首次评估了节点特征的重要性，并设计了新的迭代N-top策略和创新的N-E聚合策略。在多个脑成像数据集上评估，取得了最先进的性能，是一种探测不同类型异常功能性脑网络潜力的深度学习工具。

过去十年中，对抗攻击算法揭示了深度学习工具的不稳定性，引发了与人工智能中的安全性、可靠性和可解释性相关的问题。攻击和防御策略开发者之间发生了升级战，研究人员还研究了攻击的存在和可计算性的更大问题。该文章对该主题进行了简要概述，重点关注对应用和计算数学领域的研究人员可能感兴趣的方面。