本文通过在元胞自动机中生成图灵图案提出了数据无关的几乎不可见的通用扰动的一种快速有效的方法，并发现这种扰动显着降低了深度学习模型的性能，这可能导致严重的安全问题。

Nov, 2020

通过简单的反应 - 扩散模型的数值模拟，揭示了令人惊讶的各种不规则时空模式，这些模式是对有限振幅扰动的响应，其中一些与 Lee 等人讨论的稳态不规则模式相似，其他的由斑点组成，这些斑点会增长，直到达到临界大小，然后分裂为两个。如果在某个区域，斑点过于拥挤，该区域内的所有斑点会衰变成统一的背景。

Apr, 1993

本文探讨了神经网络对分布偏移的敏感性问题解决方案中的对抗训练，以及了解到神经网络与人类理解不同的处理方式，更进一步地研究对抗训练对于神经网络偏向形状的影响并给出可能的解释，从频率角度分析了其效果。

Mar, 2023

该论文介绍了一种基于自适应扰动模式的方法，用于在灰盒情况下生成具有真实性的对抗样本，通过对企业和物联网网络进行案例研究，证明了该方法提供了可扩展的对抗样本生成技术，并在对抗训练和攻击中具有优势。

Mar, 2022

本文全面综述了深度神经网络在模式识别中的鲁棒性问题，尤其是针对对抗样本的鲁棒性训练方法，从基础概念、理论模型、算法方法等不同角度进行了系统、结构化的调查和讨论。

Mar, 2022

本文综述了过去十年中关于对抗机器学习领域的研究，讨论了目前深度学习算法等机器学习算法的安全性问题，提出了未来研究中的挑战与相应的应对措施和设计。

Dec, 2017

使用非线性反应扩散模型的 TNRD 方法，通过动态学习参数从训练数据中同时学习滤波器和影响函数，实现图像恢复任务，包括高斯图像去噪、单图像超分辨率和 JPEG 去块，显示训练模型可以在保持扩散模型结构简单的同时，具有高效的运算速度，并在测试中取得最佳性能表现。

Aug, 2015

该研究论文提出了一种正式框架以研究机器学习中敌对示例现象，并利用复分析和全纯性提出了一种针对人工神经网络的稳健学习规则，揭示了该现象与调和函数的联系，并能够解释敌对示例的许多特征，包括可转移性，并为缓解敌对示例的影响铺平道路。

May, 2022

该研究使用二维 Gray-Scott 反应扩散模型，展示出单个和多个稳定的、本地化的、静态、移动和旋转的模式。这些模式存在于特定参数范围内，并从包围任何特征的驻波的建设性加固效应中获得稳定性。这些模式相互作用，并与其他反应扩散系统和物理实验相似，并提出了进一步研究的若干建议。

Dec, 2014

本研究使用深度学习和人工智能基于反应扩散方程发现了一种数学模型用于描述阿尔茨海默病中 Tau 蛋白的异常析聚和扩散，可能促进对神经退行性疾病的早期诊断和治疗。

Jul, 2023