本文提出了一种基于超平面的数据重构攻击方法，针对联邦学习中的隐私保护缺陷。该方法不依赖于客户端数据分布假设，能够在分类任务中完美恢复任意大小的数据批次，从而显著提高安全性。

大型语言模型在回答事实性问题方面很成功，但容易产生幻觉。研究发现模型在正确和错误输出上的行为差异提示了幻觉发生的模式。通过动态曲线作为特征，构建了一个能够准确检测幻觉预测的分类器。能够准确预测模型何时产生幻觉。

本研究提出了一种扩展解决方案，使用基于超平面的决策树建模非线性约束，并利用其他可转化为MIO的机器学习模型逼近原问题，采用自适应采样方法获得更准确的约束近似，利用鲁棒优化考虑样本依赖性训练的不确定性，并使用松弛方法处理MIO近似的不可行性。在81个全局优化实例中测试了增强的框架，并与BARON进行了比较，在11个实例中显示了更好的最优间隙或解决时间。