互联网日常活动中，匿名性和问责制都是基本需求，但二者看似矛盾，难以同时实现。现有方案要么依赖路径上的受托服务器，要么需要逐包授权或逐包公钥运算，要么需要中央权威进行每会话干预，在可部署性、开销或信任模型上存在不足。本文提出 Lacan 协议，在现实可部署的设计中同时实现匿名性与可问责性。Lacan 中，发送方只要遵守与接收方事先建立的契约，即可通过路径上的中继获得匿名保护；一旦发生违约，代表接收方的离路径验证者能够通过数据包、路径和会话三个层面，将恶意消息间接关联回发送者身份，从而把公钥操作从逐包降低到逐会话，显著减少计算开销。该关联机制在恶意中继或恶意接收方存在时依然稳健，其安全性依赖作者提出的“后继证明链”，用于可问责的路径重建，并组合了可追踪签名、路径验证和密钥提交加密等部件。作者对 Lacan 的匿名性和可问责性进行了形式化分析，完成了原型实现并评估了性能。实验结果表明，Lacan 在不引入中央权威和逐包公钥运算的前提下，能够以可接受的性能开销实现匿名通道下的责任追踪，是通往现实匿名与问责共存的可行一步。

该论文针对跨组织智能体（Agent）工作流中的问责与审计难题，提出了一种离线可验证的保留证据包（Preserved Evidence-Bundle）方法。在跨组织场景下，多个组织参与智能体间的消息交互与委派操作，事后审计或纠纷评审时需要保留独立可验证的证据，但实时系统可能不可用、被单方控制或不被所有参与方信任。现有技术虽提供了认证日志、委派语义、签名检查点、一致性检查等零散机制，但缺乏以验证者为中心、能在离线状态下依据明确策略检查证据充分性的事件级证据包。论文提出的模型包含策略控制的离线验证器：每个证据包保留策略所要求的证据，包括发送方身份认证、认证日志承诺、见证方支持的检查点证据、仅追加连续性、感知委派的授权证据，以及（在要求时）接收方签名的回执证据。验证器仅接受被所选策略要求证据支持的声明，为后续评审者提供离线评估证据充分性的依据；它不会仅凭传输行为或日志包含性推断投递或接收。原型实验在300个完整工作流和1200个有效保留证据包上进行，测量了不同策略配置与事件证据要求下的验证器延迟，发现检查点上下文锚定延迟最高，委派与工作流前置证据需要额外验证步骤。在定向负例测试中，所有被篡改或策略不足的证据包均被拒绝，未出现误接受。研究结果支持无需依赖实时服务或平台专用日志的基于证据的审计与纠纷评审，适合多组织智能体系统设计者、安全审计工具开发者和需要跨域问责的分布式系统研究人员阅读。

该论文针对大型语言模型（LLM）在医疗、司法、金融和公共服务等高风险领域应用中出现的责任归属问题，提出了一种分层责任架构框架（LAAF）。研究背景是：LLM 在这些场景中即使输出缺乏依据或内容错误，也常被当作权威信息，一旦造成损害，难以明确谁应负责以及通过何种机制进行追溯、解释和处置。作者遵循 PRISMA 指南，检索了 2022 年 1 月至 2026 年 3 月间的五个数据库，围绕四个综述问题，从 4512 篇记录中筛选出 122 项主要研究，并纳入 12 份监管与标准文件作为一手资料进行分析。综述将责任概念整合为一种社会技术视角下的“行为者-论坛”关系，分解为五个维度，并从四类机制（技术控制、人类监督、组织治理、文档与可追溯性）中综合出具体做法，同时评估了各类机制的成熟度。作者提出了一个四层分类模型，涵盖来源/出处、应用逻辑、人类监督、治理与救济，并与可追溯性、角色清晰度和持续监控等横切维度相结合。该模型被映射到欧盟《人工智能法案》（高风险义务自 2026 年 8 月 2 日起适用）、NIST AI RMF 及其生成式 AI 配置文件、ISO/IEC 42001 以及医疗、消费金融、教育和公共部门的行业指南上。分析揭示了四个持续存在的差距：人类监督的规范不足、缺乏共享的责任度量指标、学科之间脱节、实证评估有限；同时指出了五个测量工具均未解决的结构性张力。最后，作者将分类模型整合为 LAAF 框架，并将网络安全维度与 OWASP LLM Top 10（2025）对齐。论文明确指出 LAAF 是对现有证据的综合而非经过验证的工件。适合关注 AI 治理、负责任 AI、LLM 安全性和监管合规的研究者、政策制定者及安全架构师阅读。

本文研究AI代理身份系统中问责性与匿名性的平衡问题。现有行业实践和研究方案普遍倾向于让每个代理完全可识别以保障问责，但中国正在建设的国家级代理身份层（计划于2026年Q3公开上线）探索了一条不同路径：代理与经过验证的法律主体关联，但该主体身份不向任何业务层参与者披露；只有通过法律程序分别强制两个不同的政府机构才能重新识别，且任一机构单独无法完成。作者将这一机制命名为“分裂知识绑定”（split-knowledge binding），并坦承它是条件性的——分离是结构性和程序性的，而非密码学层面的；若国家同时强制两个机构，则可重新识别。论文贡献了五个方面：(1) 分裂知识绑定，一种基于机构而非密码学分离的托管问责机制；(2) 事后归因论（ex-post attribution thesis），主张只有基于归因的问责才能对AI代理具有法律后果的行为产生法律效力；(3) 问责面（accountability surface），一个设计概念，标识哪些代理行为会留下身份痕迹；(4) 身份托管比例框架（proportionality framework for identity escrow），在三种信任架构中选择的决策结构；(5) 反思性管辖方法（reflexive jurisdiction method），用于评估本文自身部署的标准。系统证明了国家级可行性；该框架是评判任何部署（包括本文所述系统）的工具。

本文提出了一种可扩展的可问责拜占庭协议（Scalable Accountable Byzantine Agreement, SABA），解决了传统拜占庭协议在参与方数量增加时通信开销过高的问题。SABA 能够在线性时间内完成协议，且不需要认证通道或公钥基础设施（PKI），仅依赖异步网络模型。核心方法包括：利用可问责的故障检测机制，在协议执行结束后识别并证明拜占庭节点的行为；通过分片和随机抽样技术，将计算和通信复杂度从 O(n^2) 降低到 O(n)。论文进一步展示了如何将 SABA 用于构建可问责的原子广播（Accountable Atomic Broadcast），并探讨了在区块链共识（如 HotStuff）中的应用。实验证明，在 1000 个节点的规模下，SABA 的延迟和消息复杂度均远低于现有方案。主要贡献包括：首次实现线性复杂度的可问责拜占庭协议；提出一种通用的可问责故障检测框架；展示了可问责性如何提升分布式系统的安全性和可审计性。该研究适用于需要高容错性和可追踪性的分布式系统，如联盟链、跨链通信和关键基础设施。

本文提出 ECO/CPO-DAG，一个针对对抗性供应链的问责协议，将矛盾检测形式化为补充验证层，而非共识或真理建立机制。参与者将签名的事件声明对象（ECO）发布到一个因果有序、只追加的有向无环图（DAG）中，边编码了发生在先关系。当关于同一主体的两个声明违反领域约束时，任何观察者可以编译一个矛盾证明对象（CPO），这是一个自验证对象，绑定两个签名声明和违反的规则，公开验证后触发对确定责任方的经济惩罚。协议将约束映射到 GS1 EPCIS 2.0 事件语义（空间唯一性、时间单调性、数量守恒、质量单调性、监管有效性），从而检测实际有意义的矛盾。通过承诺方案和可选的零知识矛盾证明进行选择性披露，允许各方在挑战触发最小披露前隐瞒声明内容。论文给出了分析处理：独立观察者检测模型 1-(1-p_min)^h，k 方共谋下的威慑条件 S>g(1-p)/(kp)，以及假设条件下每个参与者每年约 1 GB 的存储估计。协议边界明确：它检测可证明的矛盾，而非一致的谎言；从不自相矛盾的一方对其不可见，因此该层补充而非替代源验证和预言机聚合。单机参考实现验证了检测模型，预测的覆盖范围与每个观察者数量下测量的 95% 置信区间重叠，且记录零误报；完全零知识 CPO、多方传播和自适应对手规避仍为分析性。

本文针对隐私保护机器学习（PPML）与机器学习审计这两个此前大多独立研究的领域进行了交叉探索。随着PPML技术（如安全多方计算、同态加密、差分隐私等）的发展，使得对高度敏感数据（例如医疗、金融记录）进行机器学习分析成为可能，然而严格的隐私法规（如GDPR）要求对数据使用做出解释和问责，因此对PPML系统进行审计的需求日益增长。现有PPML方案缺乏透明度，难以验证计算中使用的输入数据是否与用户承诺一致，且审计过程本身可能泄露隐私。为此，作者提出了Arc——一个用于审计隐私保护机器学习的MPC（安全多方计算）框架。Arc的核心是一个新的高效协议，能够在大规模下通过简洁的承诺（succinct commitments）验证MPC输入的一致性。具体而言，该协议允许审计方在不获取原始数据的前提下，确认每个参与方提供的输入与其先前提交的承诺匹配，从而确保数据完整性。作者将该一致性协议与基于哈希和基于同态承诺的方法进行了性能对比，实验表明，Arc在速度上最高可快10^4倍，在通信简洁性上最高可优10^6倍。该工作为构建可问责、可审计的PPML系统迈出了重要一步，适用于需要既保护隐私又符合监管要求的场景。

该论文首次正式提出了AI代理（AI Agent）的归属问题（agent attribution）：即如何将一个观察到的有害代理交互行为追溯到其部署账户（托管供应商）。当前AI代理被广泛部署以自主执行任务，但缺乏有效的追踪机制，导致良性操作者可能因配置错误造成无意的损害，而恶意操作者（如国家行为体）则可能利用代理进行诈骗、骚扰或网络攻击。即使是最复杂的攻击者，其代理通常也依赖于供应商托管的模型，因此受影响方能够观察到代理行为，却无法通知责任操作者、终止会话或识别调查账户。论文设计了一种基于金丝雀（canary）的实用协议：授权方在代理交互流中注入金丝雀信息，供应商随后在狭窄时间窗口内的会话日志中搜索，以恢复原始会话和账户。在非对抗场景下，简单的金丝雀即可有效。对于可能过滤或改写输入内容的对抗性操作者，论文开发了鲁棒的金丝雀构造，这些构造无法在不降低代理自身任务性能的情况下被抑制，从而在防御者一侧形成了形式上的不对称优势。论文通过多种场景（包括真实世界代理）的评估，证明了该归因方法可靠、鲁棒且可扩展，适用于供应商端部署。

本文提出了一种名为 WhiteCloak 的协议，旨在解决联邦学习安全聚合场景下匿名恶意客户端的问责问题。在安全聚合中，客户端数据通过加密手段聚合，保护了用户隐私，但也使得恶意客户端可以匿名破坏模型而不被追责。WhiteCloak 通过一种可验证的匿名身份绑定机制，在聚合过程中为每个客户端生成唯一但匿名的凭证，使得服务器在聚合后能够识别并排除恶意客户端，同时不泄露其真实身份。该协议结合了密码学承诺、零知识证明和可追溯签名，实现了隐私保护与问责性的平衡。实验表明，WhiteCloak 在额外计算开销可接受的前提下，有效提升了联邦学习系统的安全性。