算法安全的相关应用:研究当前主流对抗攻击样本生成方法与技术，通过在对抗样本上进行对抗训练，来抵抗针对人工智能算法的对抗攻击。精确探究训练数据本征低维流形结构，提出基于自学习的异常数据检测方法，用以检出并清除对抗样本、中毒样本、后门样本等恶意攻击数据，从而减轻恶意攻击带来的干扰。进一步结合攻防对抗技术博弈机理，发展模型检测、后门检测等技术防御后门攻击。

        修正黑箱模型导致算法不透明与模型偏见:通过特征重要性、替代模型、样例驱动、溯源、陈述归纳等机制研究，学习到可解释模型，增强人工智能技术的理论可解释性。融合语义级可解释技术、可解释方法工具集等技术，建立适当可视化机制尝试评估和解释模型的中间状态，整合数据治理、资源管理和应用管理核心能力，大幅提高模型的可解释性。通过联合解译和认知推理，结合模型与数据的应用实例，深入理解场景或事件，增强功能可解释性。模仿人类解决问题的过程进行可解释的结构设计，探究并建立人工智能可解释基础理论框架。

        预防数据滥用导致隐私泄露:通过模拟大脑神经元连接的动态变化，研究具有异构设备适应性的类脑模型及其本地高效训练方法，使其适用于服务器、移动手机、可穿戴设备等多种类型设备。结合类脑计算中的突触可塑性，研究类脑联邦学习的动态通信拓扑结构生成策略，以提高整体系统的稳定性和模型的训练效率。利用知识蒸馏技术，研究适用于联邦学习的子节点中动态类脑模型的表示方法，并研究基于二值脉冲编码的类脑信息压缩策略。根据类脑计算中多区功能协同的策略，研究类脑联邦学习模型的去中心化异步训练方法。