人工智能项目

用本地 toy 实验解释成员推断、模型抽取、membership AUC、surrogate fidelity、输出最小化和查询治理。

从 RAG 和 Agent 架构解释 prompt injection、外部数据降权、工具 allowlist、人工审批和边界感知防护。

从 FGSM 公式解释对抗样本，用 scikit-learn digits toy 实验评估 clean accuracy、perturbed accuracy 和扰动预算。

用 toy digits 实验解释数据投毒、后门触发器、attack success rate、数据来源审计和训练管线隔离。

用 NIST Adversarial ML、MITRE ATLAS 和 OWASP LLM Top 10 建立 AI 安全威胁模型，覆盖资产、攻击面、证据和剩余风险。

以 mld_chaffing_v2.py 虚幻镜项目为例，讲解加密元数据泄漏、信息熵、分布距离、混淆矩阵、空闲窗口微脉冲和性能测试取舍。

深入浅出地讲解 Transformer 架构的核心：自注意力机制（Self-Attention）及其运作方式。

介绍自然语言处理中最基础的文本表示方法：词袋模型（Bag of Words）与 TF-IDF，理解它们的工作原理及优缺点。

理解 RNN 的核心思想、隐藏状态的作用，以及它在处理自然语言序列任务时的优势与挑战。

基于实际 cifar10_tiny_cnn.c 项目，讲解 CIFAR-10 数据格式、3×3 卷积、ReLU、最大池化、全连接层、softmax、反向传播和本地运行方式。