该论文研究了量子分类器在对抗性扰动下的安全性问题，特别关注基于梯度的测试时攻击在量子场景下的实际成本。传统上，攻击者可以通过自动微分廉价获取梯度（便宜梯度原理），但在变分量子分类器中，由于量子测量存在有限统计噪声（shot noise），每个梯度分量必须通过重复执行量子电路来估算，导致攻击者需要消耗与输入维度相关的测量预算。理论分析表明，在无偏梯度估计规则下，单步攻击至少需要与输入维度d的平方成正比的测量次数（具体为d^{5/2}量级），而迭代攻击的成本更高。仿真实验在高达784维的输入上验证了这一规律：对于缓解了贫瘠高原效应的模型，实际总测量次数遵循d^{5/2}几何下限；对于深度电路（未缓解贫瘠高原），梯度范数随维度衰减，但考虑测量梯度范数后，恢复出d^{3/2}的shot噪声几何。与经典基线（其攻击开销与维度无关）相比，量子梯度成本比随维度增长为d^{3.00}，因此攻击者的相对成本随模型规模发散。在IBM量子处理器（ibm_boston，4量子比特电路，d=12）上的实验复现了这一效应：在匹配预算下，设备上的攻击结果与理想模拟相差仅几个百分点，高测量次数的梯度忠实于精确梯度。该防御机制仅在正向映射经典难以模拟时有效，此时白盒攻击者无法利用“模拟并反向传播”的捷径，必须支付论文所量化的测量成本。适合对量子机器学习安全感兴趣的读者，以及关注量子优势实际应用的研究人员。

本文提出了一种名为 SafeSpeech 的防御框架，旨在保护用户上传的语音免受恶意语音合成技术的滥用。研究背景是：语音合成技术（如 deepfake 音频）已广泛用于电信诈骗等非法活动，攻击者可未经授权收集受害者语音并克隆相似声音。现有防御方法（如添加对抗扰动）在面临鲁棒训练技术时容易失效，且缺乏通用性。为此，SafeSpeech 的核心组件是语音扰动隐藏（SPEC）技术，它利用一个替代生成模型来产生对多种合成模型都有效的通用扰动，并将扰动嵌入到原始音频中，使得合成模型生成的语音质量显著下降。此外，该框架优化了扰动在时域和频域上的人耳感知效果，使扰动几乎不可察觉。实验评估覆盖了多个先进的语音合成模型和数据集，包括主观和客观测试。结果表明：SafeSpeech 在保护效果、可迁移性和对自适应攻击者的鲁棒性上均达到当前最优水平（SOTA），且在实际测试中具备实时处理能力。源代码已公开。该研究为语音数据的安全共享提供了一种主动防御方案。

本文提出了一种名为 LymphNode 的插件式访问控制方法，用于保护深度神经网络（DNN）模型免受未经授权的访问和攻击。在边缘部署场景中，DNN 模型面临不受限制的 oracle 访问风险，容易遭受模型提取和模型反转攻击。现有的防御手段存在不足：被动水印仅提供事后溯源，主动防御则引入高延迟或需要持续访问敏感的训练数据。LymphNode 作为模型内在的“免疫系统”，采用“默认拒绝”策略：它通过在特征空间中注入通用稀疏通用对抗扰动（GSUAP）来主动中和未授权查询的模型效用，有效阻止梯度估计和数据推断。只有携带隐秘特征域凭证的授权输入才能选择性恢复模型效用。该方法具有高效性：使用少于 100 个样本（训练数据的 1% 以下）即可建立稳健保护，并且具有跨数据集适应性，可使用公共替代数据集进行保护。LymphNode 提供了一种轻量级、可立即部署的防御方案，适用于原始训练数据受限或不可用且对模型保护有高要求的场景。