标签噪声是网络入侵检测（NID）中的一个重大挑战，会导致错误分类并降低检测准确率。现有处理噪声标签的方法通常缺乏对网络流量的深入理解，盲目重建标签分布以过滤带噪声样本，从而性能欠佳。本文从因果关联的角度揭示了噪声标签对入侵检测模型的影响，将性能下降归因于网络流量中不同类别特征的局部一致性。受此启发，作者提出了CoLD——一种面向网络入侵检测的协同标签去噪框架。CoLD将原始特征集划分为多个子集，采用局部联合学习破坏局部一致性，迫使编码器学习细粒度且鲁棒的表示。进一步地，应用因果协同去噪，通过分析多个表示与其潜在真实标签之间的因果差异来检测并过滤噪声标签，从而得到纯净的数据集用于训练抗噪声分类器。在多个基准数据集上的实验表明，CoLD有效提升了分类性能和对标签噪声的鲁棒性，凸显了其在嘈杂环境中增强网络入侵检测系统的潜力。

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。