Attention-Guided Fusion of 1D and 2D CNNs for Robust ECG-Based Biometric Recognition
本文提出了一种基于注意力引导的1D与2D CNN融合框架，用于鲁棒的ECG生物特征识别。现有方法大多单独处理一维时间信号或二维时频表示，泛化能力有限。作者构建了一个端到端的混合架构：1D分支（采用InceptionTime）从原始ECG信号
#cs.AI
共收录 1684 条相关情报。
← 返回所有主题SCAFDS: Edge-Feature Graph Attention for Interbank Fraud Detection with Attribution-Grounded SAR Generation
本论文提出了一种名为 SCAFDS（系统性传染感知欺诈检测系统）的新型银行间欺诈检测框架。研究背景是：美国金融系统每天处理约130万笔银行间交易，但现有文献中没有任何系统能够利用欺诈共现边特征来建模整个银行间网络中的欺诈传播。先前的银行间图
Few-Shot Network Intrusion Detection Using Online Triplet Mining
网络入侵检测系统（NIDS）通过检测恶意流量并交由安全运营中心调查，在保护网络中发挥关键作用。现有最先进的方法利用监督机器学习训练分类模型识别已知网络攻击，但这些模型需要大量标注数据集，且在较小数据集上训练时性能较差。为解决这一缺陷，异常检
Fast and Lightweight Backdoor Detection via Head Random Probing
深度神经网络（DNN）仍然容易受到后门攻击，现有后门检测方法通常需要干净数据、代理数据、梯度或迭代触发器重建，导致计算成本高且在实际模型审计场景中鲁棒性有限。本文提出HTell，一种快速、轻量级且无需数据的后门检测方法，基于头部随机探针技术
Lightweight and Fast Backdoor Model Detection
本文针对深度神经网络（DNN）的后门攻击检测问题，提出了一种轻量级、快速的静态参数检测框架DFBScanner。现有防御方法通常依赖激活异常分析或触发器逆向工程，往往需要干净样本或先验知识，导致效率低、实用性差、泛化能力不足。尤其严重的是，
ContraFix: Agentic Vulnerability Repair via Differential Runtime Evidence and Skill Reuse
本文提出了一种名为 ContraFix 的自动化漏洞修复（AVR）智能体框架，旨在解决当前基于大语言模型（LLM）的智能体在修复真实世界漏洞时存在的两个核心问题：语义误解和技能复用不足。现有智能体通常仅从单一失败执行（如崩溃报告）进行推理，
Ablating Safety: Mechanisms for Removing Alignment in Language Models for Security Applications
本文研究了如何安全地移除语言模型中的安全对齐机制，以用于授权的网络安全任务。安全对齐的模型通常会对看似滥用的网络安全请求（即使实际上是被授权且防御性的）进行拒绝，导致安全评估模糊不清——失败的回答可能源于能力不足或拒绝策略干预。作者提出将对
ADR: An Agentic Detection System for Enterprise Agentic AI Security
本文提出了Agentic AI Detection and Response (ADR) 系统，这是首个大规模、经过生产验证的企业级AI代理安全框架，专门用于保护通过Model Context Protocol (MCP) 运行的AI代理。
LPG: Balancing Efficiency and Policy Reasoning in Latent Policy Guardrails
本文提出了一种名为潜在策略护栏（Latent Policy Guardrail, LPG）的框架，旨在解决大语言模型（LLM）作为定制化助手部署时面临的安全策略动态变化问题。传统护栏通常需要针对固定策略重新训练，难以适应推理时由用户、组织或
ASPI: Seeking Ambiguity Clarification Amplifies Prompt Injection Vulnerability in LLM Agents
本文研究了大型语言模型（LLM）代理（agent）在寻求澄清（clarification-seeking）行为下的安全性问题。澄清行为通常被视为代理的理想属性，允许其在执行不明确任务前先解决歧义。然而，作者发现这种交互模式会显著增加代理对提
When Efficiency Backfires: Cascading LLMs Trigger Cascade Failure under Adversarial Attack
该研究首次系统性地揭示了大型语言模型（LLM）级联系统在对抗性攻击下的脆弱性。LLM级联系统通过轻量级模型处理常规查询，仅将复杂请求转发给更强大的模型，旨在平衡效率与性能、降低计算成本和延迟。然而，这种级联设计引入了新的攻击面：前端轻量模型
Integration of AI in Cybersecurity: Current Trends with a Focused Look at Intrusion Detection Applications
本文是一篇关于人工智能（AI）在网络安全领域应用的综述性研究，重点聚焦于入侵检测场景。文章首先指出，AI因其在模式识别、任务自动化以及降低时间与成本方面的能力，已被广泛应用于多个领域。在网络安全中，AI的整合引起了广泛关注，尤其是在入侵检测
STRIDE-AI: A Threat Modeling Framework for Generative AI Security Assessment
本文提出STRIDE-AI框架，旨在解决传统网络安全方法论在应对生成式AI系统概率性质时的不足。研究背景指出，现有安全标准（如NIST AI RMF）和漏洞分类（如OWASP LLM Top 10）之间存在鸿沟，且多数部署AI的组织缺乏专用
New Wide-Net-Casting Jailbreak Attacks Risk Large Models
该论文旨在探索一种被忽视的越狱攻击场景——宽网投射（wide-net-casting），即攻击者并非只针对单个大语言模型，而是同时查询一组模型来诱导有害输出。作者指出，现有越狱研究大多聚焦于单模型场景，而实践中攻击者往往能并行访问多个模型（
Privacy Policy Enforcement Guardrails for Data-Sensitive Retrieval-Augmented Generation
该论文针对检索增强生成（RAG）系统中的隐私泄露问题，指出传统PII过滤器容易忽略上下文数据泄露，例如通过非受管属性聚类可识别个人身份。作者提出了一种隐私政策执行（PPE）框架，采用双单类密度估计器，融合文本嵌入，并引入校准的拒绝区域以处理
GRID: Graph Representation of Intelligence Data for Security Text Knowledge Graph Construction
安全知识图谱能为安全智能体提供可计算的外部记忆，但从长篇网络威胁情报（CTI）文本中构建知识图谱面临挑战：大语言模型（LLM）缺乏扎实的安全领域知识，且端到端的文档-图谱训练难以用廉价稳定的奖励进行监督。本文提出 GRID（Graph Re
\textsc{PrivScope}: Task-scoped Disclosure Control for Hybrid Agentic Systems
本文提出PrivScope，一种针对混合本地-云端智能体系统的任务范围披露控制机制。在混合智能体系统中，本地代理会收集用户请求的上下文（包括持久工作状态）以增强任务完成度，但这也导致了过度披露问题——云端负载中包含了与当前任务无关的敏感信息
SLEIGHT-Bench: A Benchmark of Evasion Attacks Against Agent Monitors
本文提出了 SLEIGHT-Bench（Subtle Low-itEration Insight-Guided Harmful Transcripts），一个用于评估 AI 编码代理监控器规避攻击的基准测试。随着自主编码代理产生大量复杂行为
Who Owns This Agent? Tracing AI Agents Back to Their Owners
该论文首次正式提出了AI代理（AI Agent）的归属问题（agent attribution）：即如何将一个观察到的有害代理交互行为追溯到其部署账户（托管供应商）。当前AI代理被广泛部署以自主执行任务，但缺乏有效的追踪机制，导致良性操作者
Beyond Content: A Comprehensive Speech Toxicity Dataset and Detection Framework Incorporating Paralinguistic Cues
该论文针对现有语音毒性检测研究中普遍忽略副语言线索（如情感、语调、语速）的问题，提出了一套全新的解决方案。首先，作者构建了ToxiAlert-Bench，一个大规模音频数据集，包含超过30,000个音频片段，标注了7个主要毒性类别和20个细