本文针对AI中介信息操纵问题，提出了一种以社会网络情报（SOCMINT）为核心、基于信息操纵集（IMS）的框架。现有防御方法存在两种极端：一是关注事件级分析，将操纵行为碎片化为弱信号；二是优先归因分析，可能延迟缓解措施。本文提出的IMS框架作为中间操作单元，连接单个事件与战略归因。该框架借鉴VIGINUM/EEAS在反虚假信息分析中使用IMS的经验，将操纵视为连贯过程，涵盖叙事、账号、基础设施、时间模式、跨平台迁移、合成增强和认知目标。流程包括信号检测与诊断分流、IMS假设构建、置信度/严重性评估、缓解措施选择及迭代更新。通过一个紧凑场景说明IMS分析能捕捉内容级和归因优先方法遗漏的信息。论文还提出了桌面推演评估协议，用于评估决策质量、置信度校准和缓解比例性。核心启示是：以人为本的风险缓解不仅需要更好的检测，还需要在不确定性下进行结构化推理、可审计的决策以及防止过度安全化合法异议的保障措施。适合安全分析师、政策制定者及AI风险研究人员阅读。

该论文针对2026年欧盟安全与可持续设计（SSbD）框架、企业可持续发展尽职调查指令（CSDDD）和碳边境调节机制（CBAM）等法规给先进半导体制造工厂（智能工厂）带来的治理瓶颈，提出了一种零信任的社会技术编排框架。该框架在可信工业数据空间内实现六层SSbD参考架构，通过“专业代理”——在硬件隔离信任区内执行基于角色的自主工作流——推动从反应式自动化向自主治理的转变。框架设计为可互操作的网络协议栈，协调设施、工艺工程和财务代理团队之间的自动化“接力赛”，将工厂良率模型与宏观可持续发展要求对齐。通过在硬件可信执行环境（TEE）中执行虚拟计量（VM）预测和联邦机器学习（FML），解决了数据主权悖论：工厂可通过国际数据空间（IDS）连接器导出加密签名的合规令牌，而无需暴露专有工艺配方。实验验证了该架构在保护数据隐私的同时满足多利益相关方透明性要求，为技术管理者提供了通往韧性、净零排放的工业5.0生态系统的可验证路径。

该论文研究稀疏评分网络中信任欺诈的顺序检测问题。传统方法假设连续观测模型，但真实数据如Bitcoin-OTC中，56%的评级在标准映射下为单一值，破坏了参数检测器的分布假设。论文做出三点贡献：首先，推导了每个节点顺序检测器的贝叶斯最优F1检测上限，使用实证测量的观测参数。在Bitcoin-OTC的中位入度为2时，该上限对于策略性攻击降至0.451，解释了为何无监督方法聚类在F1≈0.4附近。分析表明，检测器-模型匹配而非信息内容决定性能：二元模型保留了86%的互信息，同时允许精确参数拟合。其次，提出双域架构，其中Bernoulli CUSUM检测行为转变并触发非对称评分。消融实验揭示协同设计约束：调制机制在二元观测上使AUC提高0.030，但在连续观测上降低0.094。第三，组合系统在Bitcoin-OTC上达到AUC 0.749，在Bitcoin-Alpha上达到0.796，在所有8种攻击下优于GaaSTrust（p<0.003），创始人标签AUC达0.999。论文适合对图信任计算、顺序检测、对抗鲁棒性感兴趣的研究者。

本文指出当前数字隐私研究过度聚焦于欧盟通用数据保护条例（GDPR）等少数西方监管框架，忽视了其他地区用户的隐私关切、态度和问题，造成了显著的研究盲点。作者系统性地将多个国家/地区的数据保护法律中的异构法律要求，沿着数据生命周期进行归一化，形成统一的抽象模型，该模型可作为实施此类法规的基础。进一步，文章探讨了这些法律对不同利益相关方（用户、组织、政府）的影响。本研究旨在拓宽数字隐私研究社区的视角，并为开发跨国的技术隐私解决方案提供指导原则。

近年来，计算机视觉领域取得了显著进展，尤其是卷积神经网络（CNN）、生成对抗网络（GAN）、扩散模型、视觉变换器（ViT）以及视觉-语言模型（VLM）等架构的发展，使得生成的视觉内容越来越逼真。然而，这些进步也带来了潜在的滥用风险，例如虚假信息、身份盗窃以及隐私和安全威胁。与此同时，基于Mamba的架构作为一种新兴工具，已在图像分类、分割、医学成像、目标检测和图像恢复等多种任务中展现出潜力，但在AI生成图像检测方面的应用尚未被充分探索。本研究对Vision Mamba模型在AI生成图像检测中的性能进行了系统评估和比较分析。我们在多个数据集和合成图像源上，将多种Vision Mamba变体与代表性的CNN、ViT和VLM检测器进行基准测试，重点关注准确性、效率以及跨不同图像类型和生成模型的泛化能力。通过全面分析，我们旨在阐明Vision Mamba相对于现有方法在适用性、准确性和效率方面的优势与局限性。总体而言，我们的研究结果揭示了Vision Mamba作为区分真实与AI生成视觉内容的系统组成部分的潜力与当前局限。这项研究对于在区分真实与AI生成内容成为重大挑战的时代提升检测能力至关重要。