该论文针对“混合量子—经典工作流”的完整性验证，提出一套“主张相对（claim-relative）”的证据/参照框架。核心问题是：当篡改或系统性偏差只改变标签通路（label path），而不改变可观测的特征/预测视图时，防御方能否仅凭观测数据判定完整性已被破坏。作者指出，观测不可区分性会造成“结构性盲区”，它与有限批次抽样导致的统计漏检有本质区别：前者原理上无法靠增大样本量弥补，后者只是样本量不足。论文在一个显式声明的格（lattice）结构内论证了不同强度完整性目标所需的最小可信参照：只需保证结论（conclusion）完整性时，一个可信的同批次标量 R0 即可；需同时覆盖聚合（aggregate）与结论时需聚合量 M0；需保证条目身份（item identity）时则需条目对齐绑定。实验方面，在 3,600 次标签干预下，特征/预测视图实现了精确的标签通路不变性；全部 764 条几何对齐的聚合盲区行与其配对干净响应完全相等，攻击专有增量为零。在统计响应侧，几何对齐构造配合 conformal 规则在 2,700 次改变结论的标签干预（τ→0+）中检出 343 次，未校正的并集规则检出 1,183 次；而原始冻结的同条目几何仅分别检出 11/2,617 与 43/2,617。执行后 conformal 干净误动作率为 0.048–0.059（描述性），其有限样本保证依赖可交换性假设，而重叠抽取设计违反了该假设。保留聚类的自适应压力测试（Gate A）在 40 个环境/切分单元中的 25–40 个单元上相比匹配对照降低了响应，同时仍保留结论变化。限定的 165 个设计单元的理想态矢量与有限采样仿真分支，直接实例化了语义核、估计核与观测核的转移。作者强调，固定等权设计既不能估计部署流行度，也不能给出 QPU、供应商或已部署服务层面的保证。

置信预测（Conformal Prediction, CP）是一种为机器学习模型预测提供无分布、有保证的置信区间的统计技术，最早提出于 20 世纪 90 年代末。然而，这篇 arXiv 论文指出，尽管 CP 在过去二十余年中不断成熟，其在网络安全领域的应用仍然非常少见，尤其是进攻性安全方向。作者观察到，近年来的安全研究大多把 CP 作为防御侧的工具，例如在入侵检测、异常检测或入侵容忍系统中对模型输出进行不确定性校准，以减少误报；但当 CP 反过来被攻击者利用时，却很难找到任何有记录的尝试。本文正是为了填补这一缺口，尝试探索 CP 在进攻性安全中的潜在应用场景。论文着重讨论了两个子领域：第一个是隐私保护机器学习，第二个是网络流量分析。在隐私保护机器学习中，攻击者可能利用 CP 对模型推断的不确定性估计来优化针对隐私保护机制（如差分隐私、联邦平均等）的投毒攻击或成员推理攻击，使其在有限探测次数下仍能高置信地判断隐私泄露；在网络流量分析中，CP 则可能被用于辅助攻击者评估混淆流量、规避流量分类器的成功概率，从而规划更隐蔽的对抗策略。需要注意的是，论文标题虽然是‘offensive security’，但论文声称只是初步发现（initial findings），并没有提供完整的攻击链或实际利用演示，更像是一个研究前景与方向性论证。主要贡献有三点：一是首次系统地指出现有 CP 文献中针对攻击场景的缺失；二是明确了两个有前景、值得社区投入的研究领域；三是提出了一套以 CP 为工具的学术研究路线图。对于蓝队研究者来说，这篇论文本身是把双刃剑——它既能帮助我们识别统计学工具可能沦为攻击武器的风险，也能启发我们设计相应的防御性对策。由于目前仅能获得摘要，本文所描述的方法细节和实验证据尚无法进行验证，本文档的所有内容都是基于摘要的合理推断。

本文针对多模态对比学习（MCL）中的后门攻击检测问题展开研究。MCL 模型（如 CLIP）被广泛用于预训练，但其容易受到后门攻击的影响，现有基于检测的防御手段主要依赖 CLIPScore 指标，假设中毒图像-文本对具有较低的语义相似度。然而，作者指出现有方法存在两个关键缺陷：一是良性对与中毒对的 CLIPScore 分布存在显著重叠，使得该指标难以可靠区分；二是固定阈值检测无法对重叠区域中的模糊样本提供统计保证。为克服上述局限，本文引入保形预测（Conformal Prediction, CP）这一统计框架，利用非一致性分数（Nonconformity Scores, NCSs）量化不确定性，从而为检测中毒图像-文本对建立具有可证明置信界的方法。在此基础上，作者提出 CASCADE——一种新型的两阶段粗到细的保形后门检测框架。在粗粒度阶段，通过跨模态一致性筛选出高置信度的良性对和中毒对；在细粒度阶段，利用高置信度中毒对构建参考集，并针对未识别子集中的每个样本计算基于文本空间相似度的实例级 NCS，以度量其与中毒分布的符合程度，进而精确识别潜在中毒对。在 CC3M 大规模数据集上的大量实验表明，CASCADE 在多种攻击场景下平均可实现 100% 真阳性率（TPR）时仅 5.79% 的假阳性率（FPR），平均 AUROC 达到 0.9867，并且对自适应攻击仍保持有效性。该工作为多模态对比学习模型提供了一种兼具统计保证与高检测精度的后门防御新思路。

该论文提出了一种名为 ACon2 (Adaptive Conformal Consensus) 的新型区块链预言机共识协议，旨在解决传统预言机在数据聚合和信任最小化方面的可证明性问题。区块链预言机是连接链下数据与智能合约的关键组件，但现有方案通常依赖经济激励或信任假设，缺乏严格的正确性保证。作者将共形预测（Conformal Prediction）这一统计学习框架引入区块链场景，通过自适应地调整共识阈值，使得预言机能够输出具有统计置信度的聚合结果，并提供了理论证明：在合理假设下，ACon2 能够以高概率保证最终数据的准确性，同时抵抗一定比例的恶意节点攻击。实验在模拟和真实数据上验证了该方法在吞吐量、延迟和鲁棒性方面的优势，表明 ACon2 在保持可用性的同时，显著提升了预言机的可证明安全性。

该论文提出了一种针对已部署安全分类器的在线分布漂移监测系统。系统利用校准的序贯统计量（如加权共形预测或逻辑密度比估计）实时检测分类器的输入分布是否发生变化。一旦检测到漂移，系统会通过共形弃权层自动调整决策阈值，以恢复预设的目标错误率（ε=0.1）。作者通过预注册的析因实验评估了系统性能，覆盖4种分类器、5种漂移条件、20个随机种子和2种窗口大小（共计800个实验单元）。结果显示，系统实现了86.6%（693/800，95%置信区间[84.1%,88.8%]）的有效检测率，平均检测延迟为39.5步。检测能力在三种真实漂移场景中得到验证：合成数据引入的偏移（86.6%）、真实世界的时间越狱攻击（85%，17/20）以及GCG对抗攻击。在修正阶段，加权共形预测在DeBERTa分类器上恢复了最多39个百分点的覆盖率损失（有效样本量ESS=46/300），但在其他分类器上完全失效（ESS接近300）。逻辑密度比估计在高维嵌入空间中实现了完美的源/目标分离，导致所有重要性权重被截断至下限。DeBERTa展现出了从有效修正（释义变形，ESS=46）到几乎完全失效（对抗后缀，ESS=206）的梯度变化。将特征空间PCA降维至32维后，崩溃问题得到缓解，为Llama Guard恢复了33个百分点，为ShieldGemma恢复了21个百分点覆盖率。方差分解显示，分类器（η²=0.243）、漂移类型（η²=0.237）及其交互项（η²=0.185）对检测延迟的变异均有显著贡献（所有p<0.001），表明需要对每个分类器建立单独的监测配置。