基于 DIO/ODI 的 Agentic Entity Resolution 授权护栏：约束提交边界
arXiv 论文提出一种基于 Digital Identity Optimization（DIO）与 Ontology of Digital Identity（ODI）的授权护栏规范，为 Agentic Entity Resolution 系统在证据推理与持久化身份变更提交之间划定授权边界。
看学术
AI 安全方向的论文、会议、比赛、教程与资料，按内容形态筛选，支持搜索。
分类筛选展开收起
攻击手段
防御体系
模型内生风险
系统与组件
应用场景
评测与治理
可解释与机制
共 1,382 条 · 更新于 15:39
arXiv推荐指数3535 arXiv推荐指数2929 HIDE：基于文档与证据的 Rustc 缺陷分层隔离方法
HIDE 用分层 LLM 方法为 rustc 缺陷定位可疑源文件，在 160 个可复现 rustc bug 上以 GPT-5.4 取得 42.08% Accuracy@1 和 80.42% Accuracy@10，分别超出最强基线 5.83% 和 6.04%。
arXiv推荐指数6262 arXiv 论文实测五个编码智能体 1,886 个版本的指令栈演化
论文对 Claude Code、Codex、Gemini CLI、Qwen Code 和 OpenCode 共 1,886 个版本首次模型请求中的指令栈进行纵向跨智能体研究，分析其构成与演化，并对四个开源智能体的变更追溯到有据可查的动机。
arXiv推荐指数6464 WM-Basin：基于水印盆地对齐的蒸馏模型黑盒检测方法
论文提出 Watermark Basin Alignment（WM-Basin），一种针对 API 蒸馏的黑盒水印检测方法。其核心发现是：带水印的教师模型输出在微调时会在参数空间嵌入与任务微调子空间正交的密钥相关几何信号，即水印盆地。
arXiv推荐指数3333 REGLAT 在 ArGuard 2026 共享任务中的阿拉伯语有害内容检测系统：集成 NER 的集成模型
REGLAT 系统在 ArGuard 2026 共享任务中用 GLiNER 抽取有害实体并拼接原文，再交由微调后的 MARBERT 分类器完成阿拉伯语有害内容七分类，开发集上 macro-F1 达 0.886、准确率 0.897。盲测集子任务 1 准确率 0.793、Macro-F 0.735，子任务 2 准确率 0.770、Macro-F 0.754。分析显示相近危害类别之间仍难以区分。
arXiv推荐指数5555 HausaSafeLM：面向豪萨语的大语言模型安全对齐研究
论文针对豪萨语（Hausa）这一低资源语言研究大语言模型安全对齐，提出首批豪萨语安全偏好数据集 HausaSafeLM，包含从 PKU-SafeRLHF 衍生的 10,000 条 prompt，其中 3,000 条人工修正（gold）、7,000 条机器翻译（silver），覆盖六类危害宏类别。
arXiv推荐指数4747 多关系图学习中的信任陷阱：操纵成本、暴露度与关系选择
arXiv 预印本（2610.37239）证明，当部分节点在某关系上孤立且攻击者无法负担开启该关系的代价时，度门控严格优于任何关系选择或重加权方案；基于单位成本暴露度的加固策略在 16 例中有 15 例能选出最能提升陷阱阈值的关系。在六张图的 90 个设置中，58 个设置下干净数据训练的图检测器表现低于无图基线；在缺乏成本信息时，安全选择是弃用该关系。
arXiv推荐指数2626 异步可验证与完整秘密共享：从设计模式到系统级权衡
一项针对异步可验证与完整秘密共享协议的系统级评测显示，消息复杂度并不能很好地预测延迟，乐观路径可能被恢复开销主导，而批处理或打包仅在验证不位于关键路径上时才有效。
arXiv推荐指数6060 Decision Models 作为幻觉检测裁判的评测研究
论文构建了覆盖五种幻觉类型的二元基准（9,852 条样本，来自六个数据集），将五个决策模型与生成式裁判 gpt-6-sol 对比。结果显示表现强依赖类型：最佳决策模型在上下文不一致任务上平衡准确率追平 gpt-6-sol，事实错误上差距在 3 个百分点内，但在逻辑与指令不一致上落后 4-8 个百分点。
arXiv推荐指数3838 视频 RLVR 中的捷径放大现象：基于感知不确定性坍缩的分析与 BSPO 方法
研究发现视频 RLVR 训练存在捷径放大效应，模型越来越倾向文本先验答案而非视觉证据，表现为感知不确定性坍缩——答案分布持续锐化但视觉证据带来的不确定性下降逐渐减弱。
arXiv推荐指数5353 GPT-2 与 DistilGPT-2 蒸馏机制可解释性研究：IOI 电路坍缩而 Greater-Than 电路存活
arXiv 论文 arXiv:2610.37157 用 linear CKA、logit lens、注意力模式分解、稀疏自编码器特征统计和 activation patching 对比 GPT-2 与其六层学生模型 DistilGPT-2 在两个经典电路上的机制差异。
arXiv推荐指数2222 GKS 私钥全同态加密方案的安全分析
arXiv 论文对 Gribov-Kahrobaei-Shpilrain（GKS）私钥全同态加密（FHE）方案进行了形式化安全分析。GKS 无需自举（bootstrapping）或去线性化，解密结果逐比特精确，支持原生加密搜索，并可扩展至无界深度。论文共 41 页，归类于 Cryptography and Security（cs.CR）与 Rings and Algebras（math.RA）。
arXiv推荐指数3838 Janus Vehicles：恶意制造商假设下协议合规车辆的实体中心威胁建模
arXiv 预印本提出 Janus Vehicles 实体中心威胁模型，针对"恶意制造商"假设下保持真实且协议合规、却执行未声明传感、通信或情境触发作动的车辆，归纳四类恶意实体原型。
arXiv推荐指数6767 arXiv论文提出PNI概念：LLM Agent审计认证需对Agent保密审计硬币
论文提出pre-commit noninterference（PNI）概念，指出基于审计的LLM Agent认证有效性不仅依赖审计比例，还依赖审计硬币在Agent动作提交前对其保密；PNI是对抗自适应Agent下无偏认证的必要且充分条件，最坏偏差为(1-ε)D_A。
arXiv推荐指数5151 RePAIR：语义分割后门攻击的逆向修复方法
arXiv 论文提出 RePAIR，一种针对语义分割模型后门攻击的事后、无标签、攻击未知防御方法。它基于后门引起的偏移在分类头中强于内部表示的观察，从未标注且可能受污染的图像池推断受害者-目标类别关系，通过比较分类头预测与内部语义证据定位可疑像素，并在特征空间与输出端向推断出的受害者语义做修正。
arXiv推荐指数4747 超越 QASecClaw：软件保障中的 Agent 扩展、验证器反馈与证据可靠性
一项涵盖五组实验的软件保障研究（arXiv:2610.36947）使用 Qwen2.5-Coder-7B-Instruct（含 1.5B 敏感性分析）完成 13,638 次模型请求，测试在已有确定性工具证据时增加专家上下文能否提升软件保障。
arXiv推荐指数3838 分布式日志解析：聚合技术与评估指标的实证研究
一项 arXiv 实证研究测试了 5 种日志解析算法与聚合技术在分布式环境下的表现，共覆盖 6,720 种分布式配置，旨在解决联邦日志异常检测中日志模板依赖解析器的开放问题。研究提出新的评估指标以更全面衡量分布式解析器行为，并给出设计、部署与评估分布式解析器的经验教训与建议。
arXiv推荐指数1212 基于 Zero Trust Architecture 与 Markov 链的动态多因素认证系统
arXiv:2610.36926 提出一种面向智能组织的动态多因素认证（MFA）系统，部署于 Zero Trust Architecture（ZTA）框架内，通过 Markov 链模型随机选择指纹、虹膜、人脸识别等生物特征认证因子，以提升自适应性并降低攻击可预测性。
arXiv推荐指数1212 UniPCH：基于 Payment Channel Hubs 的统一跨链支付框架
UniPCH 提出双层框架，将原生通道执行与隐私跨链支付逻辑解耦，下层 UniPC 定义通用状态转换与安全要求，上层以选择性重签盲条件签名（S-RBCS）协调跨 hub 条件授权。
arXiv推荐指数4545 HqcLethe：面向无状态小型服务器的 HQC 流式封装
HqcLethe 提出一种无状态密钥交换方案，以流式方式将 HQC 封装按包大小切分发送，用中国剩余定理把多项式乘法拆成每包独立的余数并加掩码，其安全性在 Rocq 中用 SSProve 证明，并用 ProVerif 验证会话保密、服务器认证与前向保密。
arXiv推荐指数4545 The Content Leash：通过内容保持约束缓解可逆语音匿名化中的退化解
arXiv 论文提出 The Content Leash 方法，通过内容保持训练约束与验证器泛化策略改进可逆语音匿名化的隐私-效用权衡。在 38 名未见说话人上，攻击者等错误率从 2.8% 提升至 26.3%，对留出验证器达 27.9%；基于密钥的语音恢复词错误率为 11.8%，说话人相似度达 94.9%。