GEO-Flag: Detecting and Measuring GEO-Optimized Web Content
本文针对生成式引擎优化（GEO）带来的新型内容操纵风险展开研究。GEO 通过修改网页内容，提高其被生成式搜索引擎（如基于大语言模型的检索增强系统）选中和引用的概率，使得部分页面获得超出其权威性或相关性的可见度，甚至可能让质量较低或虚假的信息
#cs.LG
共收录 1064 条相关情报。
← 返回所有主题LLMs for Zero-Shot Threat Detection via Structured Risk Indicators
本文提出一种基于大语言模型（LLM）的两阶段框架，用于从异构安全日志中进行零样本内部威胁和高级持续性威胁（APT）检测。该方法首先将用户活动建模为按时间顺序排列的时间线，并引入检索增强生成（RAG）技术，从用户历史行为中提取个性化上下文，以
Probing the Prefill: Detecting Code Vulnerabilities via Latent Activations
该论文研究一个核心问题：当大语言模型（LLM）读取一段C/C++代码作为上下文时，其内部隐藏激活（hidden activations）是否已经包含关于该代码是否存在漏洞的信号，从而可以在不运行额外静态分析工具或微调分类器的情况下，直接利用
Decorrelation Is Not Complementarity: Skill, Not Lineage, Governs Trusted-Monitor Ensembles
该论文研究可信监控器集成（trusted-monitor ensembles）中的核心问题：什么因素真正决定了集成性能？此前方法通过最小化平均成对相关性来构建多样化监控器面板，但未明确这种相关性的来源是技能还是谱系。作者研究了24个开放权重
Digital Twin Degradation: Detecting Cyber Physical Attacks via Temporal Inconsistencies
本文提出一种面向网络物理系统（CPS）的数字孪生（DT）安全监测框架。传统上，数字孪生被用于实时监控物理过程，但在对抗环境中，其保真度无法保证。通信延迟、数据篡改、传感器退化或部分信息丢失都会导致孪生状态与物理状态偏离，形成时间不一致性。作
Provenance, Not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-Free Benchmark for Precision-Agriculture Intrusion Detection
本文指出工业物联网入侵检测领域广泛使用的基准数据集 Edge-IIoTset 存在严重的数据泄漏问题，导致基于该数据集报告的 99% 以上检测准确率并不可靠。作者发现数据集附带的数据预处理流程要求对七个类别型特征进行独热编码，其中四个类别特
Benchmarking Quantum Machine Learning for Power-System Attack Detection: Evaluation Choices Decide the Outcome Before the Models Do
本论文针对电力系统网络攻击检测中的机器学习模型鲁棒性问题，系统评估了量子机器学习（QML）方案与传统经典模型在对抗环境下的表现，并提出一个关键方法论论点：评估者自身的选择会先于模型决定基准测试的结论。研究在公开的密西西比州立大学/ORNL
Maintaining IoT Device Identification under Concept Drift via Budget-Aware Traffic Labeling
本文针对物联网（IoT）设备类型识别在概念漂移下的性能退化问题展开研究。在企业和ISP网络中，通过被动流量分析识别IoT设备类型已成为安全管理的重要手段。然而，随着设备行为随时间和环境变化，基于机器学习（ML）的分类器性能会逐渐下降，即出现
FedADB: Class Anchor-Driven Dual-Branch Federated Learning for Mitigating Forgetting
本文提出 FedADB，一个基于类别锚点的双分支联邦学习框架，用于缓解联邦学习中的灾难性遗忘问题。在联邦学习中，多个异构设备上的多模态数据协同训练，但本地训练时模型容易遗忘先前学到的全局知识，尤其在客户端数据异质性下，导致性能和收敛速度显著
An Adaptive Gradient Clipping and Noise Injection Mechanism for Differentially Private Federated Learning
本文提出了一种面向差分隐私联邦学习（DPFL）的自适应梯度裁剪与噪声注入机制 DDP-SA-adaptive。在联邦学习中加入差分隐私保护时，静态梯度裁剪在整个训练过程和所有模型层使用固定阈值，若阈值过小会导致过度裁剪而损失模型精度，若阈值
Workspace Topology as an Attack Vector in Agentic Coding Assistants
本文针对智能体编程助手（agentic coding assistants）在开发工作区中广泛读取和利用第三方代码时引入的安全风险，提出并系统研究了一种新型攻击面——工作区拓扑（workspace topology）。作者将工作区拓扑定义为
STAR-FL: Secure Federated Learning with Spatial-Temporal Analysis and Robust Aggregation
本文针对联邦学习（Federated Learning, FL）系统在计算机视觉任务中面临的数据投毒攻击威胁，提出了一种名为 STAR-FL 的新型防御框架。研究指出，现有防御技术仍面临两大关键挑战：一是难以准确区分良性模型更新与恶意模型更
Explainability Boosted Anomaly Detection Framework for O-RAN based NextG Networks
该研究针对下一代（NextG）蜂窝网络（尤其是向6G演进过程中）面临的安全漏洞问题，提出了一种结合可解释人工智能（XAI）的异常检测框架。传统无线网络缺乏有效的异常检测机制，而未来网络架构（如O-RAN）的开放性和灵活性也引入了新的攻击面。
A Four-Axis Trustworthiness Benchmark for LLM-as-Judge in Principle-Based Regulation
原则性监管（如“公平、清晰、不误导”或“提供良好结果”）属于评判性标准，无法简化为二元谓词。随着大型语言模型（LLM）被越来越多地用作裁判，其实际评估质量变得至关重要。本文提出，任何此类裁判都必须从四个维度进行评测：准确性（accuracy
Regime-Conditional Verification: Correctness Estimation for Adapting and Monitoring Safety Classifiers
本文针对大型语言模型（LLM）部署中安全分类器（safety classifier）失效的两大痛点提出解决方案：一是分类器在训练时学到的策略与部署方（deployer）期望的策略不一致，导致决策偏差；二是随着部署流量分布演化，分类器性能会逐
Concept Drift Detection and Adaptive Retraining of Malware Classification Models
本文研究恶意软件分类模型中概念漂移的检测与自适应重训练问题。概念漂移是指数据统计特性随时间发生变化，从而导致基于历史数据训练的机器学习模型性能下降。在恶意软件检测场景中，攻击者不断修改恶意代码以规避检测，因此模型极易受到概念漂移的影响。作者
LLM-Assisted Dynamic Threat Analysis for Attacker-Reachable Software Weaknesses in Autonomous Vehicles
该论文研究利用大语言模型（LLM）自动化生成可执行的测试工件，以动态确认自动驾驶系统中可被攻击者输入触发的软件弱点。作者以开源自动驾驶栈 Autoware 为对象，首先执行编译器精确的静态分析，覆盖 185 个软件包，识别出 1,375 条
Understanding Backdoor Vulnerabilities in Vertical Federated Learning: The Gap Between Research and Practice
垂直联邦学习（VFL）允许多个组织在不共享原始数据的前提下，基于同一组样本的不同特征协作训练模型。与水平联邦学习不同，VFL 中存在典型的非对称信息结构：发起方掌握学习任务定义（如标签），而参与方仅持有局部特征，这种结构顺应了日益增长的隐私
Discovering Persistent Behavioural Patterns for Interpretable Blockchain Forensics
该论文提出一种可扩展、与应用场景无关的区块链取证分析框架，用于从大规模链上活动中发现“持久行为模式”。研究背景在于，公开区块链数据虽支持大规模 DeFi 分析，但现有方法往往针对特定应用、难以扩展或难以解释。该框架首先构造融合合约、代币和市
Non-Degenerate Risk Certification for Automated Security Decisions: A Decision-Contract Theory with ATT\&CK-Aligned Triage as a Worked Instance
该论文针对自动化安全决策中的风险评估提出了一种理论框架，指出无条件风险界限存在结构性问题：一个从不采取行动的“选择器”可以平凡地使风险趋于零，因此任何看似可靠的风险证书实际上可能掩盖了底层分类器的错误。作者建立了“决策契约理论”（Decis