这篇综述系统地梳理了身份证件伪造攻击与检测方法的最新进展。随着生成式AI工具的普及，伪造能力发生了根本性转变：非专业人员也能借助AI生成高逼真度的证件或对现有证件进行字段级篡改，而现有的检测基准尚未跟上这一威胁。论文首次将物理呈现攻击（如印刷品翻拍）、数字注入攻击（如向数字验证流程插入伪造图像）和完全由生成式AI驱动的合成攻击统一在一个身份证件验证威胁模型下，揭示了不同攻击类型特有的取证失效模式。检测方法方面，论文从规则启发式方法、取证定位、注入感知流水线，一直追踪到大模型和少样本框架。通过对2019-2025年间公开数据集的系统审计，作者发现基准测试与真实部署之间存在持续的“现实差距”。此外，论文分析了大型多模态模型在证件篡改中的表现，识别出“脚本相关生成不稳定性”（SDGI）——一种非拉丁字母文本修补中反复出现的排版失败模式。最后，在未见过的合成身份证上的零样本基准测试显示，即使最强的公开模型在安全导向的操作条件下APCER值仍超过25%，暴露出跨域泛化的重大局限。论文最后指出了未来方向：构建基于取证、保护隐私并具有法律问责性的身份验证系统。

该论文首次系统研究了随机梯度下降（SGD）训练过程中的不可伪造性问题。SGD 是机器学习中的核心训练算法，许多安全应用依赖于判断某个步骤的模型参数是否可以通过多个不同的数据集得到（即可伪造性）。作者提出了一组高效可检查的条件，在训练过程中的具体检查点上验证这些条件是否满足，从而证明该检查点的参数在当前步骤是"不可伪造"的，即唯一对应于某组特定数据样本。实验表明，这些条件相当宽松，在作者采样的所有检查点上均自然满足。值得注意的是，该结果与先前工作的结论形成鲜明对比：先前研究曾认为某些检查点是可伪造的，但作者采用相同方法和实验设置重新验证后发现，由于定义中的细微未明确差异，这些检查点实际上被证明是不可伪造的。作者进一步通过实验证实，微小的定义偏差会在训练过程中放大，导致最终训练出的模型存在显著可观测的差异。该工作强调了在可伪造性定义及相关安全论证中代数精确性的关键作用，为机器学习模型训练过程的完整性验证提供了理论基础。