自动语音识别（ASR）系统对对抗性和良性扰动高度敏感，但现有检测方法因缺乏真实转录的先验知识而难以在部署系统中实施。本文提出一种基于认证思想的鲁棒性增强方法，通过双门控诊断管道提升系统可靠性。该管道包含两个核心模块：一是“两侧原子审计”，通过累积统计证据来认证令牌的存在和对抗性排除；二是“基于排名的竞赛”，从候选序列中选择获胜转录。在四种不同架构（如DeepSpeech、QuartzNet等）上的实验表明，该方法能使词错误率相对降低高达55%，同时提供细粒度的单词级和句子级鲁棒性认证。该工作为ASR系统的声学安全性提供了一种可证明的保障机制，有助于在真实场景中抵御扰动。

本文提出了一种新颖的方法，利用多大型语言模型系统（MLS）与混合检索增强生成（HybridRAG）技术，实现BSI IT-Grundschutz认证的半自动化。研究背景是欧盟NIS2指令的出台导致更多企业需要获得信息安全认证，但专业认证人员短缺、实施成本高昂。该MLS架构集成了多个LLM和知识图谱（KG），以支持认证流程的不同阶段：保护需求评估、建模、IT-Grundschutz检查、措施整合以及后续实现。具体而言，系统通过HybridRAG结合了结构化知识图谱中的领域知识和非结构化文本中的信息，从而更准确地理解认证要求并生成安全概念。实验部分（在论文中应包含，但摘要未提及）可能展示了该系统在提高效率、降低成本方面的效果。该研究旨在解决NIS2带来的数字安全挑战，通过自动化辅助减轻认证人员的工作负担，同时保持安全概念的质量。主要贡献包括：1）提出了一种专门针对IT-Grundschutz认证的MLS架构；2）设计了HybridRAG方法融合知识图谱和LLM；3）探讨了在实际认证场景中应用LLM的可行性和潜在优势。适合安全合规人员、认证机构以及正在准备NIS2合规的企业阅读。

本文提出了一种新的机器学习模型认证度量——方向锐度（Directional Sharpness），旨在高效且可靠地指示模型的泛化能力。在模型认证中，泛化能力是关键质量指标，但直接认证泛化不可行，因为它依赖于未知数据且不可直接测量。传统代理指标如测试准确率在训练过程受扰动时可能产生误导，而现有度量如锐度（Sharpness）虽有实证支持与泛化相关，但计算成本高，且在训练偏离规定流程时可能不可靠。方向锐度通过关注特定方向上的损失变化，能够在训练偏差存在的情况下更有效地评估泛化能力。实验和分析表明，方向锐度与泛化能力的相关性优于现有度量，且能更可靠地识别泛化能力差的模型。此外，方向锐度在模型审计场景中可高效计算，验证者可以访问训练数据，并通过零知识证明（Zero-Knowledge Proofs）在不暴露训练数据的前提下认证模型质量。本文适合对机器学习模型可靠性、安全认证、以及隐私保护验证感兴趣的从业人员阅读。

该论文研究了英国《在线安全法》和欧盟《数字服务法》等法规中，将标量指标作为在线平台合规证据的可靠性问题。监管机构依赖这些指标，但平台可能通过策略性操作（例如将推荐路由到语义等价但危害不变的内容变体）来优化指标分数，而不真正减少伤害。作者将审计协议建模为一个公开的转换图，其中连通分量构成语义类，指标本身被视为安全对象。主要贡献包括：(1) 证明任何直接对内容变体评分的指标，只要在有害类中存在两个等价变体得分不同，就可被操纵；(2) 提出“语义包络提升”（semantic-envelope lift），为每个变体分配其所在类的最高得分，并证明这是所有保守类常数修复中的唯一逐点最小值；(3) 推导一个类分层证书（class-stratified certificate），在任意平台策略下成立，其中误差项吸收注释和协议错误。实验在三个层面验证：混合策略有限状态网格的穷举枚举、Z3 SMT编码并在cvc5中交叉验证、以及PRISM-games中的有界单玩家MDP。结果显示，脆弱指标在操纵不变性上失败，无法支持有用的预声明类覆盖证书；而在包络指标下，测试实例中未发现违规。该研究形式化了安全审计中指标操纵问题的根本原因，并提出了理论解决方案。