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个开放权重监控器，跨越9个预训练谱系，检测技能从pAUC 0.028到0.803不等，用于检测被植入后门的代码。主要发现是：用于构建面板的成对相关性指标无法预测面板的实际检测性能，原因是攻击样本上的协议可以分解为共享可检测性信号成分和特殊错误成分，两者对集成增益的预测符号相反（Spearman分别为-0.25和+0.26），因此其总和（即实际使用的指标）几乎没有预测能力（+0.05），这种抵消在8个评估中有7个成立。监控器自身技能与信号成分正相关（+0.53），而与错误成分无相关（-0.01），因此技能能预测监控器与池的协议度（Spearman 0.84, n=24, 置换检验p<0.0001）。预训练谱系是购买去相关的明显方式，但实验证明跨谱系面板在相同成员能力下检测性能没有提升（置换检验p=0.13），且谱系对指标影响也很小（+0.064, p=0.18）。作者还报告了一个自我验证：在自己的22监控器池中，同一测试读数为+0.104（p=0.037），直到添加两个监控器后消失。面板增益相对于最佳成员随面板技能单调下降（k=2时-0.66，k=3时-0.70），且没有任何基于相关性的选择能胜过从样本外挑选单一最佳监控器。结论是"去相关不是互补性"，技能而非谱系决定集成效果。该研究对如何构建可信监控器集成提供了重要见解，适合机器学习安全研究者、LLM安全工程师阅读。

本文介绍“Go-To-Germany”团队参与ImageCLEF 2026音频深度伪造检测与生成任务的方案与结果。研究背景：深度伪造音频对身份认证、司法证据和金融安全构成现实威胁，而现有检测器对未知或对抗性生成样本的泛化能力尚待验证。该团队提出一种基于四骨干自监督学习（SSL）集成的检测系统，融合WavLM-Large、Wav2Vec2-XLS-R-300M、ECAPA-TDNN和x-vector四种预训练语音表征，通过集成投票机制进行深度伪造判别。在官方检测评测中，系统取得0.9522的总分，对参与者生成的深度伪造样本达到100%识别率，但对主办方保留的真实录音仅有0.8875准确率，暴露11.25%的假阳性差距。在生成子任务中，团队提交了一个经均匀混响处理、故意作为反取证探针的F5-TTS v1基线，最终以词错误率4.99%、字符错误率2.07%、最终得分0.4304的成绩排名第一；其背后还有包含GLM-TTS、F5-TTS、XTTS v2、CosyVoice3的四模型生成程序，用于系统研究不同生成器的可检测性。跨轨道对比揭示显著的生成-检测不对称性：检测端能识别全部参与者生成的深度伪造，但该团队在生成端提交的探针模型却成功逃避了61.4%的参与者检测器和56.2%的主办方检测器，说明当前检测体系在面对刻意反取证设计的Audio Deepfake时仍存在明显短板。为验证多骨干SSL集成的设计动机，作者完成了基于伪造检验的消融实验，包括LOSO 56说话人交叉验证、三区域骨干几何分析、bootstrap置信区间和PCA分析，结果支持“架构保险”假说：不同SSL骨干间决策模式互补，集成后对未知生成流的鲁棒性更强。论文还提供五个跨轨道见解和五个预注册的伪造实验，将生成侧逃避策略与检测侧设计决策关联起来。文章最后将11.25%的真音假阳性差距列为部署时最关键的开放挑战。适合音频取证、深度伪造检测、自监督学习和生成式模型安全方向的研究者及蓝队人员阅读。

本文针对分布式拒绝服务（DDoS）攻击的多类别识别问题展开研究。传统检测系统多采用二分类（攻击/正常），但实际防御中需要精确识别攻击的具体类型以采取针对性缓解措施。作者提出了一种基于元学习集成的入侵检测框架，核心是一个高精度的多分类模型。该模型采用集成架构，融合了长短期记忆网络（LSTM）、K近邻（KNN）和随机森林（RF）三种基础模型，并通过逻辑回归作为元学习器来合成各模型的输出，有效解决了多个独立分类器预测结果间的歧义问题。实验基于CIC-DDoS2019数据集，所提集成元学习模型在多类识别任务中达到96%的准确率，显著优于基线链式模型（将多个二分类器串联）的92%准确率，且基线模型存在较高歧义。此外，在Mininet和Ryu控制器构建的软件定义网络（SDN）环境中进行集成测试，该模型在模拟网络流量中实现了93%的DDoS类型识别准确率，验证了其实用性。工作凸显了元学习集成在细粒度DDoS威胁识别中的价值，为开发更自适应、更有效的防御机制提供了思路。

该论文针对基于机器学习的分类器在对抗性逃避攻击下鲁棒性不足的问题，提出了一种名为 RESSAP（Robust Ensemble of Selectively Strengthened and Augmented Predictors）的新型防御框架。现有防御机制往往泛化能力有限，且难以在多种攻击场景下系统地提升模型鲁棒性。RESSAP 通过将单个分类器转换为多个鲁棒分类器的集成来应对这一挑战。首先，利用一个综合考虑特征重要性和鲁棒性的弹性度量，为每个集成分类器精心选择特征子集；然后，在训练过程中引入基于噪声的数据增强，以强化决策边界并提升泛化能力；在推理阶段，随机选取部分分类器进行预测，增加不可预测性，从而增强抗对抗操纵能力。实验结果表明，RESSAP 在保持干净数据高准确率的同时，显著提升了对抗逃避攻击的鲁棒性。该框架与模型无关，无需对现有架构进行重大修改，为机器学习系统提供了一种可扩展且灵活的防御策略。

本文针对机器学习模型中的成员推断攻击（Membership Inference Attacks）提出一种名为SELENA的隐私保护训练框架。成员推断攻击旨在通过模型对成员与非成员输入的差异行为推断某样本是否属于训练集，是衡量模型隐私泄露的关键指标。现有防御方法如差分隐私虽能提供可证隐私保障，但会显著降低模型效用。本文的目标是在保持模型效用（utility）的同时提高成员隐私，即实现经验性隐私保障。SELENA框架包含两大核心组件：第一，Split-AI集成架构，它将训练数据随机划分为多个子集，并在每个子集上独立训练模型；在推理阶段，对于每个输入样本，仅聚合那些训练数据中不含该样本的模型输出，从而阻断攻击者利用模型行为差异。作者证明Split-AI能防御一大类成员推断攻击，但仍可能受到自适应攻击。因此，第二组件采用自蒸馏（Self-Distillation）方法，通过Split-AI集成对训练数据集进行自蒸馏，无需外部公共数据集，进一步增强对更强攻击的鲁棒性。在多个基准数据集上的实验表明，SELENA在成员隐私与效用之间实现了优于现有技术的权衡。本文适合机器学习安全研究人员、隐私保护从业者以及关注模型隐私泄露的工程师阅读。