本研究提出了一种新方法，结合未知输入变换和不确定仿射变换，以解决代理模型在迁移到新任务时对大量数据的需求。研究表明，利用少量目标任务数据优化这些变换，迁移学习效果显著优于原始代理模型，尤其在数据稀缺情况下表现突出。

本文提出多种对抗攻击方法，旨在提高对抗样本的传递性和攻击性能。研究包括特征重要性感知攻击、输入变换攻击和竞争对抗元素优化等，实验结果表明这些方法在不同数据集上优于现有技术，增强了对抗攻击的有效性。

该文介绍了一种新的攻击方法，称为块洗牌和旋转（BSR），通过随机洗牌和旋转输入图像块来构造新的图像用于梯度计算。在 ImageNet 数据集上实验表明，BSR 的迁移性能优于现有方法，与当前输入变换方法相结合，能进一步提高迁移性能，优于最先进的方法。