本文针对网络入侵检测中标签噪声问题展开研究。标签噪声会导致模型错误分类和检测精度下降，现有去噪方法往往缺乏对网络流量的深层理解，盲目重构标签分布以过滤含噪样本，因而性能次优。作者从因果关联视角揭示了噪声标签对入侵检测模型的影响机制，指出性能退化源于网络流量中跨类别的局部特征一致性。基于此，提出了协作式标签去噪框架 CoLD。CoLD 首先将原始特征集划分为多个子集，并采用局部联合学习来破坏局部一致性，迫使编码器学习细粒度且鲁棒的表征；随后通过因果协作去噪机制，分析多个表征与其潜在真实标签之间的因果差异，检测并过滤噪声标签，从而得到净化数据集，用于训练抗噪分类器。在多个基准数据集上的实验表明，CoLD 能有效提升分类性能和标签噪声鲁棒性，展示了其在噪声环境下增强网络入侵检测系统的潜力。本文核心贡献包括：首次从因果关联角度解释噪声标签影响机制，提出结合局部联合学习和因果协作去噪的通用框架，并在公开数据集上验证有效性。适合入侵检测系统研发人员、机器学习鲁棒性研究者以及关注数据质量的安全分析人员阅读。

本文针对分布式因果结构学习中的隐私泄露问题，提出了一种基于全同态加密（FHE）的隐私保护方法。传统方法中，数据在传输和计算过程中可能暴露敏感信息，而FHE允许在密文上直接进行计算，从而保证数据全程加密。然而，将FHE应用于因果结构学习面临计算开销大、缺少除法和对数运算支持等挑战。为此，作者提出了一系列创新技术：首先，通过电路简化降低计算复杂度；其次，利用牛顿-拉夫逊倒数法和泰勒展开近似除法和对数运算；最后，采用SIMD加速的批处理技术提升整体效率。此外，该方法可扩展支持差分隐私，展示了其可移植性。实验结果表明，在多个测试数据集上，该方法与明文版本的因果结构学习结果具有高度一致性和可比性，且能在数十分钟内完成学习，兼顾了效率与隐私保护。

直播已成为社交互动和数字商务的主要媒介，但也面临日益复杂的风险。一个根本性挑战是战术型分布外（OOD）偏移：恶意行为者保持其稳定底层意图（如欺诈），但不断重新设计叙事包装（如话术、场景）以逃避检测。现有OOD泛化范式假设难以满足，因为意图与战术的紧密耦合以及原始层面反事实的难以定义。本文从潜在因果视角出发，提出潜在预测反事实解耦（LPCD）框架，一种即插即用的鲁棒直播风险评估方案。LPCD在潜在层面建模意图和叙事变化，通过强制潜在反事实一致性，将风险预测锚定在因果稳定的恶意意图上，从而在对抗性战术重包装下实现反事实推理。推理时，LPCD采用轻量级、无参数的校准进一步缓解战术引起的分布偏移。在大规模工业数据集和在线生产流量上的广泛实验表明，LPCD持续优于最先进基准，验证了其在实时直播中调控演化对抗风险的有效性。项目页面提供详细信息。