本文针对密码猜测任务中现有数据驱动模型对密码结构差异忽略导致训练偏差的问题，提出了一种混合密码专家框架（MoPE）。研究背景指出，当前密码强度评估方法通常将密码视为统一数据，忽视了不同密码的结构模式（如固定长度数字串、字母数字混合等），导致模型偏向于常见结构，降低了在非典型结构密码上的猜测性能。MoPE框架的核心思想是：首先，基于密码在潜在空间中的密度聚类现象，设计了一种结构感知的专家模型生成方法，将具有相似结构模式的密码分派给专门的子模型处理；其次，引入轻量级门控机制，根据输入密码的结构特征动态选择合适的专家模型输出可靠猜测，以匹配密码猜测任务的高计算频率需求。实验部分在多个真实密码数据集上评估了MoPE在离线与在线猜测场景下的表现，结果显示，相比当前最先进基线模型，MoPE在离线破解率上提升了最高38.80%，在线猜测率提升了9.27%。此外，作者基于离线MoPE实现了实时密码强度计（PSM），可在毫秒级响应延迟内帮助用户选择更强密码。该研究为密码猜测领域提供了一种结构感知的混合专家范式，显著提升了猜测效率和泛化能力。

恶意软件分类因二进制文件的异构性、加壳技术的存在以及恶意软件家族的多样化分布而极具挑战性。传统的单任务检测模型难以泛化到各类数据，尤其在面对混淆和稀有样本时性能下降严重。本文提出了一种基于混合专家（Mixture of Experts, MoE）架构的统一多任务恶意软件分析框架，能够同时执行三个关键任务：恶意软件家族分类、加壳与未加壳检测、恶意与良性识别。框架支持两种输入表示：高维EMBER特征集和从可移植可执行文件中提取的原始一维字节序列。通过将问题分解为多个专门化的专家网络，并采用自适应门控机制，模型实现了高效的任务特定学习，同时保持整体可扩展性。作者研究了多种架构变体，包括同构MoE、异构MoE和多门MoE（MMoE），并在标准环境和对抗性环境下（使用原始样本和变异样本）评估性能。实验结果表明，多门MoE模型表现最佳，综合检测率达到0.9744，失败率仅为2.56%。此外，该配置在突变引起的分布偏移下展现出更强的鲁棒性。研究强调专家专业化和任务特定路由在处理复杂恶意软件分布中的有效性，为构建可扩展且鲁棒的恶意软件检测系统提供了有前景的方向。

该论文提出 MetaMoE，一个隐私保护的混合专家（MoE）模型统一框架。在现实场景中，训练数据通常分布在多个客户端且无法共享，导致无法直接训练统一的 MoE 模型。MetaMoE 利用公开的代理数据作为私有数据的替代，通过多样性感知的代理选择方法，从公开数据中挑选与各客户端领域相关且多样化的样本，以有效逼近私有数据分布并监督路由器的学习。这些代理还用于对齐专家训练，改善统一时的专家协调，同时上下文感知的路由器增强了跨异构输入的专家选择。在计算机视觉和自然语言处理基准上的实验表明，MetaMoE 持续优于现有的隐私保护 MoE 统一方法。该工作为隐私约束下的 MoE 模型训练提供了新思路，适用于联邦学习、分布式专家系统等场景。