观察性研究中的平均处理效应（ATE）估计是社会科学、医学和流行病学等领域广泛使用的基础统计工具，用于在无法进行随机对照试验时评估某种干预或暴露对结果变量的因果影响。然而这些领域所处理的数据通常包含高度敏感的个人信息，直接发布基于原始数据的 ATE 估计会带来隐私泄露风险，因此研究者一直希望获得满足差分隐私（Differential Privacy）保证的 ATE 估计算法。本文针对这一需求提出了两种基于倾向得分（propensity score）的 ATE 估计机制：第一种是对先前工作中使用的逆概率加权（IPW, Inverse Probability Weighting）方法进行改进，使其在差分隐私约束下具有更优的统计性质；第二种则采用倾向得分分块（BPS, Blocking on Propensity Score）策略，即先估计每个样本接受处理的倾向得分，再依据得分将样本划分为若干同质区块，在区块内进行差分隐私化的效应聚合与估计。作者从理论上分析了两种算法的误差与偏差来源，并在实验中与既有方法进行了对比。结果显示，两种新算法在相同隐私预算下均表现出更低的估计误差和更小的偏差；其中基于倾向得分分块的算法提升尤为显著，相较于先前工作常常将误差降低 75% 甚至更多。这意味着在保持同等隐私保护强度的前提下，可以显著提升因果效应估计的可用性与准确性，对需要在敏感数据上开展因果推断的场景具有直接的实用价值。论文属于方法论与统计机器学习交叉方向，适合差分隐私、隐私增强技术以及因果推断相关的研究人员与隐私工程从业者阅读。

该论文聚焦 6G 非地面网络（NTN，含卫星、高空平台等空中节点）中的物理层认证（PLA）难题。NTN 链路存在严重多普勒频移、长传播时延和快变信道，导致训练与部署环境之间出现分布漂移，使传统集中式深度学习和单特征认证方案泛化能力差、在未见环境中性能骤降。作者提出 SAFA-MZ（面向多区域网络的安全自适应认证框架），一个基于因果元学习的分布式物理层认证（DPLA）方案。其核心设计包含四部分：第一，构造多特征指纹，将空间、到达角、合并器、子空间以及多普勒-时延等异构物理层特征与多个空中节点的测量结果进行自适应分布式融合；第二，建立结构因果模型（SCM），显式刻画设计选择、环境因素、提取特征与认证结果之间的因果关系，为后续不变性学习提供依据；第三，采用模型无关元学习（MAML）结合不变风险最小化（IRM）与因果一致性正则化，使模型仅需少量带标签样本即可快速适应新的 NTN 环境；第四，提出两阶段认证机制，先执行本地识别，仅在必要时才激活基于到达时间差（TDOA）的图注意力网络（GAT）定位，从而显著降低回传链路开销。仿真结果表明，SAFA-MZ 在不同环境下达到 92% 的认证准确率和 96% 的 AUC，优于集中式深度学习和单特征基线方案。论文属于方法/仿真验证型研究，未涉及真实网络部署或在野攻击数据。

本文研究了当前最先进的基于影响（influence）的保护机制（guardrails）在工具使用型 LLM 代理中的局限性：它们无法可靠地区分合法且经用户授权的动作与恶意未授权的动作，当两者都依赖外部工具信息时。这种模糊性可能导致良性动作触发不必要的验证和干预，降低实用性并增加延迟。作者通过从 24 个基础案例推导出 96 个条件，进行了“授权等价性”审计。在匹配源比较中，保持授权状态、具体执行动作及其预期效果不变，仅改变必需值的来源（来自用户或合法工具结果）。结果显示，虽然动作本身不变，但这种无害的来源迁移在所有 24 个案例中，在 Llama 和 Gemma 评分器下都将因果信号移向攻击区域。匹配的未授权对照表明信号仍然对攻击敏感，但良性的来源迁移所产生的平均分数偏移大于真实授权变更所产生的偏移。架构级评估显示这种不匹配如何在保护机制设计中传播。使用语义监视器时，攻击成功率为0%，而实用性为28%；无监视器时分别为16%和60%。基于阴影的保护机制允许所有测试的无害运行，但在总体上并不会更多地拒绝匹配的未授权动作：57.5%的未授权运行在到达后续安全检查之前自动通过，而授权运行只有29.2%自动通过。这些结果表明，所研究的因果信号揭示了动作由什么塑造，但不能可靠地编码动作是否被授权；参考构建和路由是有效安全决策中不可或缺的一部分。

本文针对静态应用安全测试（SAST）工具中普遍存在的设计权衡问题展开研究。SAST工具在工业界和学术界广泛使用，但为了提升精度、缩短运行时间或增强可扩展性，往往会在检测能力上做出牺牲。这些牺牲建立在某些关于目标代码或分析技术的假设之上，而这些假设会直接影响检测结果。核心研究问题是：这些牺牲真的能带来预期的性能提升吗？背后的假设是否成立？作者提出CAUSEC，一个因果分析框架，将SAST工具的假设形式化为可测试的安全假设，结合假设驱动的因果建模、效应估计和验证方法，从而解释假设与检测性能之间的因果关系，而非简单相关性。为理解安全假设的常见特征，作者对检测加密API误用的SAST工具进行了系统文献综述，识别出57个假设，并进行了定性分析。随后，他们选取一个流行假设，在四个高度相关的工具上使用包含57,038条人工标注警报的数据集进行验证，展示了CAUSEC的实用性和鲁棒性。实验分析产生了几项关于假设和因果效应的关键发现，并总结为三条对未来工作有指导意义的要点。该研究为SAST工具的设计、评估和选择提供了新的因果视角，有助于安全团队更科学地理解工具行为，优化漏洞检测流程。

因果推断在多个科学研究领域扮演关键角色，其中平均处理效应（ATE）的估计是核心问题之一。然而，使用真实世界观测数据计算ATE会带来显著的隐私风险。差分隐私作为一种严格理论保证的隐私保护技术，已成为隐私保护数据分析的标准方法。但现有的差分隐私ATE估计工作通常依赖于特定假设、提供有限的隐私保护或无法实现全面的信息保护。为此，本文提出了PrivATE——一个实用的、确保差分隐私的ATE估计框架。考虑到不同场景对隐私保护级别的需求各异（例如，教育评估中仅考试成绩为敏感信息，而医疗记录的所有数据通常都需要保护），PrivATE设计了两种级别的隐私保护：标签级（仅保护结果变量）和样本级（保护所有变量）。通过推导自适应匹配界限（adaptive matching limit），PrivATE有效平衡了噪声引入的误差和匹配误差，从而获得更准确的ATE估计。实验评估在多个数据集和不同隐私预算下验证了PrivATE的有效性，其性能优于现有基线方法。该方法适用于需要因果推断又必须保护用户隐私的广泛应用场景，如医疗、教育和经济学分析。