本文研究了在高斯过程（GP）后验采样中释放样本路径的隐私保护问题，其中整个训练集（包括协变量和响应）被视为私密信息。与传统差分隐私（DP）机制通过添加外部噪声不同，后验采样本身具有随机性。作者证明这种内在随机性能够提供差分隐私保证，具体通过推导高斯过程后验样本路径释放的显式 Rényi-DP 界。这些界将后验均值泄露与数据相关的后验协方差泄露分离，表明有意义的隐私保护强烈依赖于有效的岭正则化。通过成员推理攻击实验，作者展示了经验泄露与正则化、后验方差以及释放的后验样本路径数量之间的预测依赖关系。下游后验采样任务上的效用实验识别出噪声观测场景，在该场景下隐私兼容的正则化以适度的效用损失保留了有用的决策。当需要更强隐私保护时，可通过添加校准的 GP 噪声来增强内在保证，从而提供显式的额外隐私调节旋钮。该研究为理解 GP 后验采样的隐私属性提供了理论基础。

强化学习（RL）在现实世界中的应用日益广泛，但其安全性问题仍需更多关注。最新研究表明，RL智能体容易受到后门攻击的影响：当特定触发器被激活时，本应行为正常的智能体会执行恶意动作。现有的RL后门防御方法要么需要访问智能体的内部参数，要么仅在模型或轨迹级别运行，或者仅限于特定攻击类型。本文提出了一种名为PolicyGuard的新型防御机制，该机制在测试时、步骤级别进行后门检测。PolicyGuard利用高斯过程（GP）后验方差，并通过生成伪轨迹来计算每个时间步的不确定性，从而识别异常行为。此外，作者提供了理论依据来解释GP后验方差的有效性。在七个RL游戏环境中进行了大量实验，结果表明PolicyGuard在大多数情况下达到了最先进的检测性能：对于基于扰动的攻击，平均AUROC为0.856；对于对抗性智能体攻击，平均AUROC为0.859。本文的主要贡献包括：首次提出测试时、步骤级别的后门防御方法；利用GP后验方差实现细粒度不确定性量化；提供了理论支撑；以及通过广泛实验验证了方法的有效性。适合强化学习安全研究员、AI安全工程师以及对抗机器学习方向的研究者阅读。