本研究提出了一种新的自监督目标——互信息非对比损失（MINC），旨在解决自监督表征学习中的高方差和大批量需求问题。实验结果表明，MINC在图像表征学习中优于传统对比损失，具有更强的泛化能力和转移性。

本研究提出了一种逆知识蒸馏（IKD）方法，旨在解决对抗攻击算法在目标与源模型间转移性不足的问题。通过引入新损失函数，IKD显著提高了对抗样本在黑箱攻击中的有效性和成功率，实验结果表明IKD有效增强了对抗样本的转移性。

本研究系统评估了自监督学习中预训练骨干网络的对抗攻击脆弱性，提出了通过代理模型转移攻击的方法，并引入了“骨干攻击”概念，揭示了模型共享的风险与影响。

本研究提出了一种新型三维卷积神经网络模型SFR，旨在有效预测体外受精牛胚胎的可转移性，验证了其在生物学任务中的有效性和准确性。

本研究解决了目标转移性仍然具有挑战性的问题，通过提出一种全局与局部相结合的攻击方案，来提升针对特定目标的转移性。该方法对受害者图像进行细分，在每个区域同时进行针对性攻击，从而减少了代理模型与受害者模型之间的注意力不一致所导致的转移失败。实验结果表明，该方法在各类攻击中显著提高了目标转移性，并且在实际应用平台上验证了其优越性。

本研究针对目标攻击的转移性不足问题，提出了一种新方法，通过对微调轨迹进行平均处理，从而提高对抗样本的转移性。实验结果表明，该方法在不同攻击场景中相较于现有微调方案具有显著优势，展现了推动目标攻击性能提升的潜力。

本研究提出了一种结合视觉语言推理与无监督领域适应的方法，解决了现有分割模型在训练时的类别限制。通过多尺度数据和增强文本嵌入，构建了首个无需共享类别的UDA-FROVSS框架，有效提升了细粒度分割能力。

本研究提出了一种新方法，通过对抗演化三角形增强多模态对抗样本的多样性，显著提升其可转移性，实验结果优于现有攻击方法。

本研究提出了“彩票图像先验”（LIP），有效解决了深度图像先验在过参数化和欠参数化中的性能与效率问题。LIP子网络在图像恢复任务中显著优于传统解码器，并具有较高的转移性。

本研究提出了一种新方法来解决大型语言模型的越狱攻击问题，包括场景引导模板、优化后缀选择和重后缀攻击机制。实验结果显示，该方法在攻击执行和可转移性方面的成功率接近100%，并在全球安全大型语言模型挑战赛中获得第一名。

本研究探讨跳跃连接在对抗场景中的特性，发现其能够更容易地生成高可转移性的对抗样本。关键的发现是，使用跳跃连接中的更多梯度进行反向传播，能显著提高攻击的可转移性，从而对深度学习模型架构提出了新的挑战与研究方向。

SimMAT框架解决了传感器无法收集与自然图像相似规模数据的问题，通过转移层实现视觉基础模型在不同物理特性的图像模态上的转移能力，提升了分割性能，揭示了跨模态转移学习的潜力。

针对稀疏图卷积网络下采样的可转移性问题，本文提出了一种基于稀疏随机图模型的大规模稀疏图下采样方法，该方法支持不同稀疏级别的调整。通过理论推导，研究表明更高的采样率、更大的平均度期望和更小的初始图大小可显著改善下采样的可转移性表现。

该方法通过利用对象的形状、纹理和位置，成功降低了20%以上的模型置信度，并通过修复预处理技术恢复了原始的置信水平。该方法在仿真像素化的基于补丁的物理对抗攻击中提高了模型的韧性和可靠性。这项工作推动了对抗挑战中对象检测和分类网络的发展，并为关键应用提供了强大的基础。

该研究针对可转移对抗攻击在边缘计算环境中的高计算成本的挑战，提出了一种新的梯度编辑框架GE-AdvGAN+，集成了多种主流攻击方法以增强可转移性并显著降低资源消耗。实验结果表明，与基线方法相比，该框架在攻击成功率和计算效率上都有显著提升，具有重要的实际应用潜力。

本研究提出了NGI-Attack方法，解决了深度神经网络在黑箱攻击场景中对抗样本转移性差的问题。实验结果显示，该方法在多种防御模型上的攻击成功率达到了95.8%。

MVPatch是一种新颖的方法，旨在提高对抗性贴片的转移性和隐蔽性。它使用集成攻击损失函数降低对象检测器的对象置信度分数，并使用CSS损失函数实现轻量级的视觉相似度测量算法。实验结果表明，MVPatch在数字和实际领域中都具有更强的攻击转移性和更自然的外观。

通过设计防护框架 SOPHON 和精心优化过程，本文介绍了一种新颖的学习范式 —— 非精调学习，可以防止强大的预训练模型被用于不道德或非法任务，同时保持其在原始任务上的性能，旨在进一步推动对安全和负责任的人工智能的研究。

本文研究使用预训练语言模型（PLMs）进行视觉语言推理任务，提出了Dynamic Visual Prompting（DVP）转移学习方法，能有效结合不同的视觉语言任务。DVP在效率和性能方面具有优势，并能适应预训练语言模型与VL任务的需求。

研究者提出了一种新型对抗攻击方法NeRFTAP，通过引入样式一致性损失，提高了生成的对抗性人脸图像的有效性和自然性。实验证明该方法比现有攻击技术更优越，为提高人脸识别系统的稳健性提供了见解。