本研究提出了一种新的网络 MVSS-Net，通过多视角特征学习和多尺度监督，从噪声分布和边界伪影等方面解决了图像操作检测中的敏感性和特异性问题，并在五个基准测试集上进行了广泛实验验证。

Apr, 2021

该研究探讨了特征选择在对抗性环境下的安全性问题，并提出了一种面向对抗攻击的特征选择模型，以提高分类器的安全性。实验结果表明，该模型在垃圾邮件和恶意软件检测等应用场景具有较好的效果。

May, 2020

本篇论文提出了一种基于两个流的 Faster R-CNN 网络，旨在检测被篡改图像中的篡改区域，其中一个流从 RGB 图像输入中提取特征，以发现强对比度差异、人为篡改边界等篡改痕迹。另外一个流通过从隐写分析模型过滤层提取的噪声特征，发现真实区域与篡改区域之间的噪声不一致性，并通过双线性池化层融合两个模态的空间共现特征。实验结果表明，该模型性能优于单个模态，且在大小调整和压缩容忍性方面具有最先进的性能。

May, 2018

通过选择与网络攻击检测最相关的特征，在网络流量分析中训练机器学习模型所使用的高质量数据，可以提高模型的鲁棒性和计算效率。通过改进数据集、选择与时间相关的特征和更具体的特征集，以及进行对抗训练，机器学习模型在不损害正常流量传输的情况下显著提高了其抗对抗攻击的泛化能力，从而在企业计算机网络中可可靠地检测可疑活动和扰动流量。

Apr, 2024

研究自动驾驶和增强现实等应用所使用的本地特征描述符，发现在特定条件下可能会受到逆向工程攻击，进而模拟潜在的对手，并根据真实条件对 FREAK、SIFT 和 SOSNet 等流行描述符的易受攻击性进行了分析，提出了平衡隐私重构风险与图像匹配准确性的潜在缓解技术。

May, 2021

本研究通过深度学习和基于学习的方法，对图像篡改检测进行了深入分析，在标准数据集上评估了它们的性能；提出一种新颖的基于深度学习的预处理技术，用于强调篡改区域中的异常，通过加强篡改区域中的异常，提高了不同检测算法的性能，降低了在非篡改区域中的误检率，最后提供一个开源的篡改检测工具包。

Apr, 2023

本文研究对抗性环境下的机器学习，特别是针对恶意攻击者注入有害数据时，特征选择会否带来益处或副作用的问题，并提供了一种框架来研究流行的特征选择方法的鲁棒性，结果表明特征选择方法在受到攻击下会受到较大影响，强调了需要特定的应对措施。

Apr, 2018

使用三种特征选择方法从内存内容中识别显著特征，并与各种分类器结合使用，提高分类任务的性能和隐私保护。实验结果表明，采用相互信息和其他方法进行特征选择策略，以及仅选择 25% 和 50% 的输入特征，然后采用随机森林分类器可以取得最佳结果。该研究通过提高恶意软件分类系统的效果和隐私保护性能，有助于保护免受恶意软件的安全威胁。

Sep, 2023

本文提出了一种新的对抗攻击方法，通过扰动表示样式的抽象特征，包括可解释和不可解释的风格，诸如鲜艳色彩和锐利轮廓等，通过优化程序注入难以察觉的风格变化，实现深度神经网络模型误分类，我们展示了该方法产生的对抗样本比现有的非受限制攻击更加自然，并支持现有的像素空间的对抗攻击检测和防御技术难以在风格相关特征空间中保证模型的鲁棒性。

Apr, 2020

通过引入高阶统计量，我们设计了两种新的算法来实现统计导向的对抗样本生成，相比于当前主流的方法，在中等难度下能够取得更好的攻击性能。

May, 2021