本研究提出了一种新颖的白盒攻击方法，针对视觉物体跟踪器的局限性，通过边界框攻击变换器骨干网络。实验证明该方法在多个变换器跟踪器上表现优越，验证了其有效性。

本研究提出了一种名为“Parsing”的主动隐私审计框架，旨在识别和量化监督微调过程中敏感数据和隐私泄漏风险。该框架通过改进的白盒会员推断攻击方法，提高了对大型语言模型（如GPT-2和Llama2）的隐私审计效果，为监督微调提供了可靠的隐私保护工具。

该研究提出了一个高度转移的对抗性攻击框架，核心是一个可生成网络，能够实现领域不变的扰动。该方法在白盒和黑盒情况下均创新了欺骗率的最佳性能，并且优于传统的实例特定攻击方法。