本次输入仅提供论文标题与作者信息，未包含论文摘要内容。根据标题推测，该论文提出了一种名为'Beatrix'的后门检测方法，核心是利用Gram矩阵分析深度学习模型的内部特征，以实现对模型后门的鲁棒检测。后门攻击是深度学习模型面临的重要安全威胁，攻击者在训练阶段注入恶意行为，使模型在特定触发条件下产生错误输出，而现有检测方法往往在鲁棒性或适用性上存在不足。Gram矩阵通常用于捕获特征之间的二阶统计相关性，可能有助于揭示后门植入引起的特征分布异常。然而，由于缺乏abstract，我们无法提供具体的技术细节（如网络层选择、检测阈值设定、攻击场景假设）、实验设计（如使用的数据集、模型架构、基线方法）以及性能评估结果。因此，以上描述均为基于标题的合理推测，实际内容请以论文原文为准。安全从业者可关注该方法是否能为模型安全审计提供新的思路，但需阅读原文验证其有效性与适用性。