本文研究目标扰动（objective perturbation）机制在有限步优化下的差分隐私性质。经典目标扰动做法是在正则化经验风险上叠加一个随机线性项 ⟨z,w⟩（其中 z 从 N(0, σ²I_d) 中一次性采样），随后发布扰动目标的精确最小化点，以此获得隐私保证。然而实际系统中优化器只能运行有限步，真正被发布的是确定性梯度下降在目标 w ↦ F(w;S) + ⟨z,w⟩ 上的第 N 次迭代 w_N，而非精确最小值，因此基于精确最小化点的传统隐私证明无法直接套用。作者正是针对这一理论与实现之间的差距展开分析：在目标函数强凸、光滑且 Hessian 满足 Lipschitz 的条件下，论文给出了一个显式条件，使得映射 z ↦ w_N 在隐私论证所使用的有界区域上构成 C¹ 微分同胚，并给出了其 Jacobian 最小奇异值的定量下界。这一结果使得可以直接对有限的第 N 次迭代进行变量替换（change-of-variables）分析，从而刻画有限迭代的隐私损失。对广义线性模型（GLM），作者导出的 privacy profile 界在迭代条件满足时不再含显式的环境维度 d 因子，且其有限迭代修正项随迭代数呈几何衰减；通过让自由截断参数随 N 缓慢增长，可在极限情形下恢复精确最小化点对应的隐私证书。此外，论文还将期望超额经验风险界定为 dσ²/(2μ) 加上一个几何衰减的优化项，并把结论迁移到总体风险，使得主要统计项中不再出现额外的条件数乘性因子。整体贡献在于为「有限步优化 + 目标扰动」提供了严格且更紧的隐私—效用分析，缩小了精确解理论与迭代实现之间的差距。适合差分隐私机器学习理论、隐私会计与隐私训练系统实现方向的研究者与工程师阅读。

该论文针对基于溯源（provenance）的入侵检测系统（PIDS）中规则方法检测精度不足、误报率高的问题展开研究。现有规则型PIDS虽然具备轻量级、实时性强和可解释性等优势，但规则通常过于粗糙且缺乏针对具体环境的配置，导致在实际部署中难以区分正常与恶意行为。为此，作者提出CAPTAIN系统，一个能自动适应多种环境的规则型PIDS。其核心创新在于引入三个自适应参数，分别从节点（node）、边（edge）和告警生成阈值三个层面动态调整检测配置。作者构建了一个可微分的标签传播框架，并利用梯度下降算法基于训练数据对这些自适应参数进行优化，从而使系统能够学习环境的特定行为模式。实验基于DARPA Engagement数据集和模拟环境进行评估，结果表明CAPTAIN在保持规则型PIDS低开销和可解释性优势的同时，显著提升了检测准确率，降低了检测延迟和运行时开销，整体性能优于现有最先进的PIDS。对于蓝队和SOC而言，该研究提供了一种兼顾效率与精度的入侵检测思路，尤其适用于需要高可解释性且资源受限的部署场景。