该论文研究了阈值BLS签名方案的自适应安全性。阈值签名是分布式协议中的关键工具，其中具有唯一签名的方案特别重要，因为它们可以在没有任何时间假设的情况下高效实现分布式抛硬币，从而成为异步共识协议的理想构建块。然而，Boldyreva（PKC '03）提出的阈值BLS签名虽然具有唯一且紧凑的优点，但缺乏针对自适应对手的安全证明。因此，当前的共识协议要么依赖效率较低的替代方案，要么不具备自适应安全性。本文通过以下结果重新审视了阈值BLS签名的安全性：假设t个自适应腐败，我们给出了一个模块化的安全证明，采用两步方法：(1) 引入了分布式密钥生成（DKG）协议的新安全概念，并证明多个先前只有静态安全证明的协议满足该概念；(2) 假设任何具有该属性的DKG协议，我们证明了阈值BLS方案的不可伪造性。我们的归约是紧的，可用于支持实际参数选择。此外，为了证明使用代数群模型（AGM）和一次性离散对数（OMDL）困难性等强假设的合理性，我们证明了一个不可能性结果：即使在AGM中，也需要强交互假设才能证明该方案的安全性。这项工作为阈值BLS签名的自适应安全性提供了理论基础，对分布式系统和密码学社区具有重要参考价值。

该论文聚焦于开放世界环境中的异常检测问题，指出传统异常检测方法通常假设训练和测试数据来自同一分布（即常态不变），但在实际应用中，常态可能随时间发生偏移（concept drift），导致检测性能下降。论文提出了一种新框架，能够同时检测常态偏移、解释偏移原因并自适应调整检测模型。具体而言，作者设计了一个双流神经网络架构，分别捕获正常行为模式和异常模式，并通过注意力机制实现对偏移的解释。实验在多个真实世界数据集上进行，包括网络流量、工业传感器和金融交易，结果表明该方法在检测常态偏移和保持异常检测性能方面优于现有基线。主要贡献包括：首次统一了常态偏移检测、解释和自适应三个任务；提出了一种可解释的偏移定位机制；以及验证了框架在多种场景下的有效性。适合安全运营、工业监控等领域的异常检测研究人员阅读。