该论文研究了轻量级机器学习模型在工业物联网（IIoT）入侵检测中的跨域泛化失败问题。虽然轻量级模型因其适合资源受限的边缘部署而被广泛提出，但大多数报告的结果仅在训练网络内评估，未验证其在未见网络上的表现。本研究在一种IIoT数据集上训练了四种轻量级架构，并使用跨三个数据源共有的特征表示，在另外两个结构不同的IIoT数据集上进行零样本评估。对两个最优模型的解释性分析显示，它们都过度依赖粗粒度的端口类别特征：最影响决策的端口类别在源域攻击流量中的出现频率是目标域的96至435倍，这表明粗化端口分辨率只是将已知的捷径（shortcut）从一个位置移动到另一个位置。此外，在自然不平衡的类别分布下，评估协议的不同选择会逆转两个目标域中哪个域泛化挑战更大的结论。研究还评估了对抗鲁棒性和通过有限目标域暴露的恢复能力：对抗扰动的鲁棒性与跨网络泛化无关，而通过自适应恢复的效果因架构而异。这些发现表明，部署准备度应基于真实类别分布下的跨网络评估，而非仅依赖域内准确率。

本文提出了一种新的机器学习模型认证度量——方向锐度（Directional Sharpness），旨在高效且可靠地指示模型的泛化能力。在模型认证中，泛化能力是关键质量指标，但直接认证泛化不可行，因为它依赖于未知数据且不可直接测量。传统代理指标如测试准确率在训练过程受扰动时可能产生误导，而现有度量如锐度（Sharpness）虽有实证支持与泛化相关，但计算成本高，且在训练偏离规定流程时可能不可靠。方向锐度通过关注特定方向上的损失变化，能够在训练偏差存在的情况下更有效地评估泛化能力。实验和分析表明，方向锐度与泛化能力的相关性优于现有度量，且能更可靠地识别泛化能力差的模型。此外，方向锐度在模型审计场景中可高效计算，验证者可以访问训练数据，并通过零知识证明（Zero-Knowledge Proofs）在不暴露训练数据的前提下认证模型质量。本文适合对机器学习模型可靠性、安全认证、以及隐私保护验证感兴趣的从业人员阅读。

该论文针对机器学习中的数据最小化（Data Minimization, DM）原则进行了系统研究。组织在训练和部署预测模型时，往往收集大量详细的客户数据，一旦发生数据泄露，将导致隐私暴露风险。政策制定者日益要求遵守数据最小化原则，即仅收集任务相关且必要的数据。然而，目前关于如何部署遵守DM的机器学习模型的研究甚少。本文提出了一种基于数据泛化的垂直数据最小化（Vertical DM, vDM）工作流，通过设计确保在模型训练和部署过程中不收集全分辨率客户数据，从而在发生泄露时减少攻击面，保护客户隐私。作者形式化并研究了在泛化过程中同时最大化数据效用和最小化经验隐私风险的问题，通过引入一组多样化的、与政策一致的对抗场景来量化隐私风险。最后，提出了多种基线vDM算法，以及一种特别有效的算法——隐私感知树（Privacy-aware Tree, PAT），该算法在多个设置下优于所有基线。作者计划将代码作为公开库发布，以推动机器学习中DM标准的建立。该工作为实际应用中DM原则的进一步探索和采用奠定了基础。

该研究系统评估了监督机器学习模型在网络入侵检测中的泛化能力，聚焦于同数据集与跨数据集设置下的性能差异。实验采用UNSW-NB15和TON_IoT两个广泛使用的入侵检测数据集，对比了随机森林（RF）、逻辑回归（LR）和朴素贝叶斯（NB）三种模型。在同数据集测试中，RF表现最佳，在UNSW-NB15上达到95.08%准确率，在TON_IoT上达到99.79%。然而，在跨数据集测试中——即在一个数据集上训练并在另一个数据集上测试——所有模型的准确率均骤降至40%以下，揭示了严重的泛化差距。研究进一步将这一挑战与情感计算和人本AI领域进行类比，指出行为信号分析、异常检测、域偏移和上下文敏感建模等共同问题。结论强调，当前基于机器学习的入侵检测系统过度依赖单一数据集的基准性能，缺乏对真实世界中网络环境变化（如新攻击模式、流量分布变化）的适应性，亟需开发具备强泛化能力的自适应安全模型。该论文对安全研究人员和工程师理解机器学习模型在入侵检测中的局限性具有重要指导价值。