원래 이름 기록: 浙江大学; 杭州高新区（滨江）区块链与数据安全研究院

本发明公开了一种面向医疗领域大语言模型的安全性和鲁棒性自动化测试方法，构建了领域感知有害问题生成器，生成器不仅能够自动化地学习并映射医学知识到潜在的有害查询，而且确保所生成问题的临床相关性、专业度和危害潜在性，能够高效且系统地评估大语言模型在医疗领域的真实安全边界，尤其是在涉及专业知识误导或潜在致害的复杂情境中，提供了评估深度和广度。通过定制化的加权复合奖励函数来优化生成器，有效地指导模型生成了同时具备高危害性、连贯流畅且符合语法的领域感知有害问题，显著提升了数据集的质量和针对性，该框架通过整合危害检测模型的自动评分和多指标相似性过滤机制，从根本上消除了对大量耗时人工干预的依赖。

本发明公开一种基于多能级数据与物理先验融合的双域伪影校正方法，通过构建多能级数据采集、双域协同校正与物理模型约束相结合的完整技术方案，实现了弥散性金属伪影的高效精准去除，其有益效果覆盖医疗、工业、安防、航空航天等多个领域，具备极强的通用性与适配性。基于多能级慢切换扫描协议，通过动态调整射线源参数完成至少两个能量级别的全角度扫描，获取的完整多能级投影数据，经通道维度拼接的图像融合方法转化为高维张量，构建的多通道虚拟图像完整保留目标物体各能量下的衰减特征与结构信息，为深度学习网络提供更全面、具区分度的输入源，从根本上筑牢不同领域精确校正的数据基础，适配各类含金属目标的成像场景。

本发明公开了一种级联生成式模型的智能汽车入侵识别方法，实现对车载网络流量历史序列的学习和建模，并基于此对下一时刻的状态进行双重预测，本发明在技术层面具有显著创新性，其核心优势在于独创性地构建了一种级联稀疏‑稠密双重表示体系，并基于此设计了具备诊断能力的可解释入侵检测框架。该专利方法通过创新的级联生成式模型和双重表示学习框架，为智能汽车入侵识别带来了多方面的显著有益效果，实现全方位、高精度的异常检测能力，双重表示与检测机制和强大的未知攻击检测能力；提升模型智能与决策可解释性、优化计算效率与实时性、具备卓越的泛化性与场景适应性。