本文提出了一种新的双网络训练框架，通过预测熵区分污染样本和良性样本，有效防止后门注入和对抗各种攻击，同时保持良性样本性能。

该研究提出了一种名为PAUMER的方法，通过在最终解码器之前暂停对不再需要计算的路径进行计算来提高分割变换器效率。该方法使用预测熵作为暂停的准则，并可以通过调整暂停参数轻松地适应各种运行时要求。在两个标准分割数据集上展示了该方法的效果，吞吐量提高了约50%。