该论文研究 AI 图像生成器以不透明 API 形式部署后的完整性审计问题。现实中，客户只能查询已部署的服务，无法检查模型权重或架构，这给"调包"（bait-and-switch）留下空间：供应商可能先以某个生成器通过治理认证，之后在部署阶段悄悄替换为更廉价、质量更低的模型，从而损害公众信任，在高风险领域甚至影响安全。作者聚焦"部署时"的完整性审计，提出 FARE（Forensic Acceptance Region Estimation，取证接受域估计）。其流程分为两个阶段：登记阶段，用被认证生成器采样得到的图像训练 FARE；部署阶段，仅凭一张生成图像即可判断其是否与登记的生成器一致，无需访问模型内部。FARE 的特征建立在面向取证应用提出的、与具体生成器相关的图像伪影（generator-specific artifacts）之上；在训练过程中，FARE 通过挖掘难样本（hard samples）来收紧接受域，从而提高对已认证生成器细微变化的敏感度。实验覆盖多种生成器替换场景，包括相似模型版本之间的替换以及模型变体之间的替换。结果显示，FARE 能有效检测替换，在严格操作点（低误报率）下持续优于现有基线，并且在本文所评估的"精确模型攻击"与"仅决策攻击"两种对抗设定下仍然保持有效。该工作适合从事 AI 供应链审计、模型治理与合规、多媒体取证以及平台内容可信度评估的研究者与安全工程师阅读。

该论文系统性地探讨了人工智能系统的取证调查问题。随着AI系统越来越多地参与决策和行动，事后调查其行为原因、系统组件及供应链责任成为重要挑战。当前AI取证研究分散，多聚焦于特定系统类型、工件或分析技术，缺乏统一框架。作者提出以调查者的访问权限作为组织该领域的起点，区分白盒、灰盒和黑盒三种访问模式，并分析每种模式对证据收集、保存、分析和报告的影响。基于此，论文提出一个跨越收集、保存、分析和报告四个阶段的AI取证过程模型矩阵，并引入AI系统挥发性顺序（order of volatility），涵盖运行时状态、上下文窗口、日志、检索库、模型工件和训练谱系。进一步，作者推导出访问条件化的检查框架，并识别若干开放研究问题，包括黑盒证据保存、模型版本证明、基于替代模型分析的不确定性量化、以及可变AI工件的监管链。该论文的主要贡献在于：为AI取证建立一个结构化的研究议程，强调访问权限作为核心分类维度，并整合既有分散研究。适合数字取证研究者、AI安全工程师以及负责AI事故响应的蓝队人员阅读，可作为建立内部AI取证能力的理论起点。