复放攻击是语音控制系统面临门槛最低的威胁之一，而暴露复放行为的声学线索会随攻击所处的声学环境发生强烈变化。这意味着部署在现场的检测器必须随着时间持续吸收新的声学条件，同时理想情况下不能反复回看历史录音，因为长期保留语音数据既昂贵又受法律合规限制。作者把该问题形式化为声学环境上的领域增量学习（Domain-Incremental Learning, DIL），并提出了首个面向多通道复放语音检测的持续学习基准。实验基于 ReMASC 语料库，覆盖全部 24 种环境到达顺序并各运行 5 个随机种子，评估一个当前最优的、基于波束成形（beamformer）的检测器。结果显示：朴素顺序微调会出现严重灾难性遗忘，使先前已学环境的错误率上升 18.8 个百分点；弹性权重固化（EWC）能把遗忘量减半，但牺牲了模型可塑性；梯度投影记忆（GPM）与朴素微调在统计意义上无法区分；作者提出的任务专用波束成形器（task-specific beamformer, TSB）为每个环境保留一个独立的空间前端，在最终精度与增量精度上均有显著提升。研究还指出，序列中最后加入的环境会主导最终性能表现。代码、结果与分析已开源。

本文针对下一代无线网络中通信系统需要同时保障高数据速率、效率和安全性这一核心需求，提出了一种基于贝叶斯引导的协作强化学习波束赋形框架，用于在存在恶意攻击者的动态无线环境中实现联合波束成形与安全感知决策。作者首先基于3GPP标准构建了无攻击场景下的系统模型，并以穷举搜索作为参考基准以获取最优波束配置。随后，在引入攻击者并考虑不同网络扩展规模的条件下评估所提框架。实验结果表明，基于强化学习的方法（Q-learning 和 SARSA）在总信道容量、攻击者检测准确率和性能稳定性方面均一致优于随机选择策略；其中 Q-learning 在检测精度与计算效率之间取得了最佳平衡。整体而言，该框架为对抗性无线环境下的联合波束赋形与安全决策提供了一种稳定、可扩展且有效的解决方案。