本研究提出了一种新颖的藏语对抗文本生成方法TSCheater，利用视觉相似音节的特点，建立了藏文音节视觉相似性数据库TSVSDB，从而提高了对抗攻击的有效性和文本质量，并构建了首个藏语对抗鲁棒性评估基准AdvTS。

本研究通过fine-tuning基础模型并开发新的贝叶斯不确定性估计方法，证明了其优越性和潜力。实验揭示了线上准确性和一致性指标的局限性。

本文提出了一种新的深度学习模型反事实解释鲁棒性评估框架，通过考虑模型变化提供紧密估计和强有力的保证。实验证明该方法优于现有技术。

该论文提出了改进神经网络鲁棒性评估的方法，并探讨了恶意内容生成的威胁模型。通过演示，揭示了在缺乏最佳实践的情况下高估新方法鲁棒性的易发性。

研究人员提出了改进神经网络鲁棒性评估的方法，并指出了恶意内容生成的威胁模型。演示结果显示，新方法在没有最佳实践的情况下高估了鲁棒性。

研究人员提出了改进神经网络鲁棒性评估的方法，探讨了恶意内容生成的嵌入空间攻击作为威胁模型，并演示了一种防御方法，展示了新方法鲁棒性的高估容易性。

该论文提出了改进神经网络鲁棒性评估和减少错误评估的方法，同时指出了嵌入空间攻击作为另一个威胁模型。通过演示防御方法，展示了在没有最佳实践的情况下过高估计鲁棒性的容易性。

LC-MAE是一种自我监督学习框架，利用全局上下文理解视觉表示，减少输入的空间冗余。在ImageNet-1K上使用ViT-B实现了84.2%的top-1准确率，比基准模型提高了0.6%。在下游任务中，LC-MAE取得了显著的性能提升，并在多个鲁棒性评估指标上表现优异。

该研究提出了一个可解释的基准数据集XIMAGENET-12，包含20万多张图像和15,600个手动语义注释，以解决标准化鲁棒性评估指标缺乏和过多无关基准数据集的问题。同时，提出了一个新的鲁棒性评估标准，可用于评估视觉模型的鲁棒性。