في ظل التطور السريع لتكنولوجيا الذكاء الاصطناعي، أصبح من الضروري ضمان موثوقية عمليات معالجة البيانات. لا تتعلق هذه الموثوقية بالنماذج التنبؤية القوية فقط، بل تشمل أيضاً طرق تلخيص البيانات، التي تحدد المعلومات الأساسية التي يتم الاحتفاظ بها واستخدامها في عمليات التعلم أو اتخاذ القرار.

تعتبر الهجمات العدائية (Adversarial Attacks) على عملية تلخيص البيانات تهديداً كبيراً، حيث يمكن أن تغير الملخص المختار وتقلل من مدى تمثيليته، مما يؤثر سلباً على أداء مهام التعلم التالية. في دراسة حديثة، تم استكشاف كيفية حدوث مثل هذه الهجمات من خلال استخدام تحسينات على مستوى التشابه (Similarity-level Perturbations) في إطار DR-submodular optimization.

تتضمن الأبحاث الجديدة صياغة أهداف تلخيص الصور متعددة الدقة كامتدادات متعددة الخطوط لدوال مجموعات غير سالبة تستوفي خصائص DR-submodularity. كما تم طرح مشكلة توليد هجمات متعددة الأهداف كمسألة min-max، حيث يتم تحسين تأثير قابل للتطبيق لهياكل التشابه على عدة نماذج تلخيص مستهدفة.

وبغرض محاربة هذه التهديدات، تم تقديم استراتيجيات الدفاع القوية من خلال مشكلة max-min المنظمة. وقد أظهرت التجارب التي أجريت على بيانات حقيقية ومؤشرات مقارنة متحكم بها أن الهجمات المقترحة فعالة في النطاقات ذات الميزانية المنخفضة إلى المتوسطة، وتؤدي إلى فقدان أداء المهام اللاحقة. كما حسنت الدفاعات المطروحة موازنة القوة والحماية، مما ساهم في الكشف عن حساسية المعلمات للحماية القوية على البيانات الحقيقية.