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。

我们提出了一个任务无关的框架来解决模型中的歧义，通过询问用户澄清问题并获得新信息。方法在确定何时需要澄清、确定澄清问题以及估计模型不确定性方面取得显著成果。方法优于现有不确定性估计方法，使系统在仅允许在10％的示例上进行澄清时性能提升两倍。

本文介绍了一种结合神经网络和Monte Carlo方法的深度迁移学习方法，用于解决高精度计算中计算成本大的问题。通过引入权重共享约束的优化过程，可以加速优化核几何集，产生高精度的神经网络波函数。

该研究提出了一种名为频率偏好控制模块的插件，用于提高深度神经网络在对抗样本上的鲁棒性。实验证明，该模块能够与任何对抗训练框架相结合，并在不同体系结构和数据集上进一步提高模型的鲁棒性。同时，实验还揭示了鲁棒模型的频率偏差如何影响对抗训练过程及其最终的鲁棒性。

本文提出了一个基于能量的可转移性评估度量（ETran），用于解决目标检测和图像分类中预训练模型的排名问题。ETran通过能量得分、分类得分和回归得分来判断目标数据集对预训练模型是否为带内或带外数据，并在分类、回归和目标检测任务上都适用。实验证明，ETran在目标检测和分类基准测试上的平均性能分别比先前的方法提高了21%和12%。

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。

我们提出了两种简单且计算高效的方法，基于线性回归模型的负正则化均方差误差来估计优化的目标模型的转移性，在准确性和效率两方面显著优于现有的最先进的回归可转移性估计器。

该研究提出了一个攻击框架，核心是一个可生成网络，能够实现领域不变的扰动，可在不同领域中高度转移。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。