本研究针对现有对抗攻击方法在物联网(NIDS)中存在的关键缺陷，特别是经常违反特定领域约束的问题进行了深入探讨。通过使用简化的模型（如多层感知机）生成更有效的对抗样本，我们揭示了模型架构对对抗攻击有效性的重要影响，强调了在安全关键的物联网应用中评估和设计鲁棒性模型时需考虑领域约束和模型复杂性的必要性。

本研究解决了现有集成攻击方法在捕捉模型间共享梯度方向不足及缺乏自适应权重分配机制的问题。提出的新方法HEAT通过引入领域泛化，结合共识梯度方向合成器和双和谐权重协调器，实现了内部模型一致性与模型间多样性的动态平衡。实验结果表明，HEAT在不同数据集和设置中显著优于现有方法，为对抗攻击研究提供了新的视角和方向。

本文探讨了深度学习在医学图像分割中的迁移学习技术，重点研究Batch Normalisation层的可训练权重对模型性能的影响。研究表明，自我监督预训练和对比损失方法能有效提高分割任务的准确性，减少对标记数据的需求。提出的STU-Net模型在多个医学数据集上表现优异，展示了迁移学习在医学影像分析中的应用潜力。

该论文提出了多种新颖的联邦学习（FL）算法，如FedIns、FedSoL和FedALIGN，旨在解决数据异质性和通信效率问题。实验结果表明，这些算法在性能和收敛速度上优于现有方法，特别是FedFT显著减少了通信开销，同时保持了模型的准确性。

本文介绍了多种压缩大型语言模型（LLM）的方法，包括基于提示的学习、知识转移和上下文感知的提示压缩。这些方法旨在提高模型的预测准确性和推理效率，降低计算成本，同时保留关键信息。研究表明，这些技术能有效提升小规模模型的性能，并在多个数据集上取得显著改进。

本文提出了一种名为multi-grained vision language pre-training的视觉语言联合预训练方法及其模型X$^2$-VLM，旨在提升视觉语言理解能力。研究表明，现有视觉语言模型在细粒度理解上存在局限，基准测试SPEC揭示了这一问题。通过优化方法，显著改善了模型在细粒度理解上的表现，并展示了良好的可迁移性。

本文介绍了一种基于傅里叶神经算子的下采样方法，能够在低分辨率模拟数据上实现零样本升采样，效果优于现有模型。研究评估了该方法在气候和Navier-Stokes方程解数据上的表现，显示其在单分辨率下采样和零样本上采样方面的优势，并探讨了生成模型在气象数据降尺度中的应用，强调了深度学习在应对气候变化中的潜力。

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。

本文提出了一种通过用户澄清问题来解决模型歧义的框架，显著提高了模型在不确定性估计和澄清问题识别方面的性能。研究表明，优质的澄清问题能提升开放领域对话系统的信息检索效率，并介绍了新的数据集和评估方法，以促进相关研究的发展。

本文介绍了利用深度学习和变分蒙特卡罗方法（VMC）优化波函数的研究进展。研究者通过改进的神经网络架构，在多种分子系统中实现了高精度计算，显著提高了效率和准确性，尤其在处理复杂电子相互作用时表现出色。这些方法为量子化学计算提供了新的解决方案。

本研究分析了对抗扰动在频域中的特性，提出了一种新算法，通过不同频率组合显著提高攻击效率，成功率达到99%。同时引入了归一化扰动可见性指数，优化了对抗样本的生成和迁移性能，增强了深度神经网络的鲁棒性。

本文研究了参数高效微调和少样本自然语言生成，提出了一种新方法，提升了在数据不足情况下的迁移性。实验结果表明，该方法在少样本场景中有效，且在模型规模增大时优于传统微调方法。

本文探讨了通过预训练和微调编程结构来改进代码任务的语言模型，提出了S^3PET和SASA等新方法，显著提升了代码理解和生成的性能，尤其在处理长代码时表现优异。此外，基于先验的微调模型在编码和对话能力上达到了先进水平，展现出强大的迁移性和可解释性。

本文提出了一种新颖的任务转移分析方法，通过微调模型最后一层，分析分类任务的性能传输。利用Wasserstein距离和条件熵等因素，优化转移上限，证明了该方法在预测传输性方面的有效性。同时，提出了基于能量的可转移性评估度量ETran，显著提高了目标检测和图像分类的性能，并探讨了预训练模型的迁移能力。

近年来，自监督学习因其能够从无标签数据中学习出鲁棒特征表示而取得了优异结果。本研究评估了大规模自监督模型在少样本音频分类中的性能，并探讨了模型的少样本学习能力与其他下游任务基准的关系，发现在某些少样本问题（如 SpeechCommandsv2）中具有最先进的性能，并且语音为基础的少样本问题与各种下游音频任务之间存在强相关性。

在这篇论文中，通过在特征空间进行微调，我们提出了一种解决针对未知模型的有针对性对抗样本（AE）传递性问题的方法，实验证明简单的迭代攻击可以产生与资源密集型方法相媲美甚至更好的传递效果。

提出了一种基于Lipschitz规正化的模拟模型（LRS）方法，用于转移性黑盒攻击。研究发现LRS方法能够提高攻击效果和转移性。实验结果表明，使用LRS方法的攻击成功率和转移性显著提高。

本研究提出了一种名为OT-Attack的基于最优输运理论的对抗性攻击方法，用于对抗多模态对抗样本攻击。实验证明，OT-Attack在图像-文本匹配任务中的对抗性可迁移性优于现有方法。