数据结构与算法；线性结构、非线性结构；树状结构、图状结构；时间复杂度；线性表、栈、队列、串；二叉树；图；排序

本文 “NumbOD: A Spatial-Frequency Fusion Attack Against Object Detectors” 提出NumbOD，一种全新的针对目标检测器的模型无关空间-频率融合攻击方法。它通过双轨攻击目标选择策略选取高质量边界框作为攻击目标，从空间和频率两个维度设计攻击。在空间域，对预测框坐标和分类结果进行干扰；在频率域，通过离散小波变换等手段扰乱图像高频信息。

文章汇总CVPR2025中对抗样本&智能安全方向的相关论文和GitHub链接，同时每篇文章附有摘要。

本文 “Transferability in Machine Learning: from Phenomena to Black - Box Attacks using Adversarial Samples” 主要研究机器学习中对抗样本的可迁移性，提出了针对多种机器学习模型的黑盒攻击方法，并通过实验验证了其有效性，强调了现有机器学习系统在面对此类攻击时的脆弱性，为后续研究机器学习的安全性提供了重

本文 “An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale” 提出将标准Transformer直接应用于图像识别任务的Vision Transformer (ViT)，通过将图像分割为块并输入Transformer编码器，在大规模数据预训练后于多个图像识别基准测试中取得优异成绩，探讨了其预训练数据需求

零、前言引例：投针实验蒙特卡洛模拟&仿真的基本介绍实例一、三门问题实例二、排队问题1-港口卸货实例三、排队问题2-银行排队实例四、有约束的非线性规划实例五、书店选择（0-1规划）实例六、导弹追踪实例七、旅行商问题实例八、加油站存储策略实例九、决策问题实例十、双旅行商问题

本文 “Improving the Transferability of Adversarial Examples with Arbitrary Style Transfer” 提出了一种基于任意风格迁移的对抗攻击方法（STM），旨在提升对抗样本的可迁移性，应对深度神经网络在对抗攻击下的安全问题。

本文 “Towards Transferable Targeted 3D Adversarial Attack in the Physical World” 提出了一种全新的 3D 攻击框架 TT3D，可将多视图图像快速重建为可迁移目标性的 3D 对抗样本，有效填补了 3D 可迁移目标性攻击领域的空白，为研究深度学习系统的安全性提供了新的视角和方法。

本文 “Evasion attacks against machine learning at test time” 提出一种基于梯度的方法评估分类算法在规避攻击下的安全性，通过模拟不同风险级别的攻击场景，发现常用分类算法易受攻击，并给出了改进安全性的建议。

本文 “Enhancing the Self-Universality for Transferable Targeted Attacks” 提出了一种基于自通用性（Self-Universality，SU）的可迁移目标性攻击方法，旨在无需辅助网络额外训练的情况下提升对抗扰动的可迁移性，增强深度学习模型在现实应用中的安全性