随着生成模型在机器学习即服务（MLaaS）平台上的快速普及，如何在不修改生成器架构或参数的前提下可靠地追踪合成媒体的来源，仍是一项重大挑战。为此，本文提出一个自指逆向合成框架，用于固定生成器场景下的可解释 AI 溯源取证。该框架利用联合优化的编码器-解码器对实现自嵌入机制，使生成输出具备往返一致性验证能力：推理时，客户端输入先经编码器编码再送入生成器，以高视觉保真度生成图像；取证时，将待查询图像送回解码路径重新合成，并通过度量重合成图像与查询图像之间的一致性来判断该图像是否来自目标生成模型。该方法完全免除了水印嵌入或对生成流程的任何修改。实验结果表明，编码后生成的图像与原始生成器输出在视觉质量上相当，而解码所得结果能够可靠地回溯到对应的源输入；同时，该框架还能提供可解释的来源证据。论文将有机化学中的逆向合成思想迁移至生成媒体溯源领域，为深度伪造鉴别、模型身份识别以及 MLaaS 审计提供了一个不侵入生成流程的取证工具，适合研究对抗环境下合成媒体来源归属的蓝队人员参考。

该论文提出了一种名为 Discop 的实用隐写术方案，其核心创新在于引入“分布副本”（Distribution Copies）概念，以实现可证明安全的隐蔽通信。传统隐写术通常依赖对载体对象的细微修改，难以在理论上严格证明其安全性；而 Discop 通过直接从目标噪声分布中采样生成载体，使得嵌入消息后的对象与自然生成的对象在分布上不可区分，从而在信息论层面提供安全性保证。论文中详细阐述了分布副本的构造方法，可能结合了生成模型（如 GAN 或扩散模型）来生成高维载体，并讨论了消息嵌入与提取的编解码机制。实验部分（基于摘要推测）应验证了该方案在嵌入容量、隐蔽性和安全性方面的优越性，并可能对比了现有隐写方法。该工作主要面向信息安全领域，特别是隐蔽通信和数字水印方向的研究者，为可证明安全的隐写术提供了新的实践路径。

该论文题为Pass2Edit: A Multi-Step Generative Model for Guessing Edited Passwords。由于未提供论文摘要，本摘要基于标题和作者信息进行推断。研究围绕密码猜测展开，特别聚焦于用户编辑后（即修改过）的密码。在实际中，用户常常在原有密码基础上进行简单修改，例如增加数字、替换符号或调整大小写，这些编辑模式具有规律性。该论文提出一个多步骤生成模型Pass2Edit，旨在利用这些编辑规律来生成更可能被用户使用的新密码，从而提升密码猜测的成功率。该研究可能涉及生成模型的架构设计、密码修改数据集的构建与分析、以及与现有密码猜测方法的对比实验。这类研究对密码安全评估、渗透测试中的弱口令猜测、账户恢复机制以及用户密码更新行为的理解具有潜在价值。然而，由于没有摘要原文，具体的方法细节、实验设置、数据集和结果无法得知，建议查阅原始论文获取更详细的信息。整体而言，这是一篇面向密码安全领域的模型研究，适合对密码猜测、生成式模型和用户行为分析感兴趣的研究人员与安全工程师阅读。

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。

本文提出了一款名为 V-Cloak 的实时语音匿名化系统，旨在保护用户在即时通讯或社交媒体上生成的语音数据中的声纹隐私，防止恶意对手进行身份推断或身份盗窃。现有的语音匿名化技术（如信号处理、语音转换/合成）往往导致感知质量下降。V-Cloak 通过一种一次性生成模型，在保持语音可理解性、自然度和音色的前提下，实现实时匿名化。该方法对不同频率级别的音频特征进行调制，并采用精心设计的损失函数，包括匿名损失、可理解性损失以及基于心理声学的自然度损失。V-Cloak 支持无目标和有目标匿名化，分别实现不可识别性和不可链接性。作者在四个数据集（LibriSpeech 英文、AISHELL 中文、CommonVoice 法文和意大利文）、五种自动说话人验证（ASV）系统（包括两种基于 DNN、两种统计方法和一种商业 ASV）以及十一种自动语音识别（ASR）系统（针对不同语言）上进行了广泛实验。结果表明，V-Cloak 在匿名性能上优于五种基线方法。此外，仅在 VoxCeleb1 数据集上针对 ECAPA-TDNN ASV 和 DeepSpeech2 ASR 训练的 V-Cloak 仍具有跨 ASV 的可迁移匿名能力和跨语言的 ASR 可理解性。论文还验证了 V-Cloak 对各种去噪技术和自适应攻击的鲁棒性。该工作为语音隐私保护提供了有效且实用的解决方案。

本文提出 T-Miner，一种针对深度神经网络 (DNN) 文本分类器 Trojan 攻击的防御框架。Trojan 攻击通过在训练阶段植入后门触发器，使得任何包含该触发器的输入都会被误分类为攻击者指定的目标标签。与图像领域丰富的防御工作相比，文本领域的后门防御研究相对有限。T-Miner 采用序列到序列 (seq2seq) 生成模型，该模型探测可疑分类器并学习生成可能包含 Trojan 触发器的文本序列。其关键创新在于：不需要访问训练数据集或干净输入，而是使用人工合成的“无意义”文本作为初始种子来训练生成模型。随后，T-Miner 分析生成模型输出的文本，判断其中是否包含触发器短语，从而确定分类器是否被植入了后门。实验在 1100 个模型实例上进行，覆盖 3 种主流 DNN 架构（如 LSTM、CNN、BERT 等）、5 种不同的分类任务（如情感分析、垃圾邮件检测等）以及多种触发器短语。结果显示，T-Miner 对 Trojan 模型和干净模型的总体检测准确率达到 98.75%，在干净模型上误报率极低。此外，T-Miner 对针对性的自适应攻击也表现出鲁棒性，能够抵御攻击者刻意绕过检测的尝试。本文的主要贡献在于：提出了首个基于生成模型的无数据文本后门防御方法，并通过大规模实验验证了其有效性和鲁棒性。