本研究提出了一种名为CoDE的新算法，用于协同处理深度神经网络模型，实现低延迟的边缘AI服务。CoDE通过创建新的推理路径，利用自身和其他模型的参数，降低本地计算负荷，同时最多仅对精度产生2%的影响。在重负载条件下，CoDE可以进一步减少推理时间30%，精度仅下降4%。

TKD是一种新的框架，利用深度神经网络模型选择视频帧来蒸馏轻量级模型中的时间知识。通过关键帧选择和教师束缚损失设计，TKD在目标检测准确度和速度方面有显著提高。

该研究提出了一种高效的深度神经网络模型，用于诊断帕金森病步态。该模型结合了卷积神经网络和Transformer的优势，能够准确诊断帕金森病的严重程度。实验结果显示，该模型在步态数据检测帕金森病方面表现出色，准确率达到了88%。该模型还具有推广和适应其他分类问题的潜力。

通过删除稳健特征，我们发现了一种名为“自然去噪扩散攻击”的新型攻击。我们构建了大规模数据集评估文本-图像扩散模型的攻击能力，并证实了攻击的有效性。非稳健特征对于自然攻击能力起到了贡献作用。我们对一辆自动驾驶汽车进行了攻击，发现物理打印的攻击能够被识别为停止标志。希望我们的研究和数据集能够提高社区对扩散模型风险的认识，并推动深度神经网络模型的研究。