PRIVATEEDIT: A Privacy-Preserving Pipeline for Face-Centric Generative Image Editing
本文提出了名为 PRIVATEEDIT 的隐私保护流水线，通过端侧分割与掩码技术将面部敏感区域与可编辑背景分离，在无需修改第三方模型的前提下实现了高质量的面部图像编辑，同时确保生物特征数据永不外传并赋予用户对隐私与保真度的灵活控制权。
🔒 Category
cs.CR
362 篇论文
Parallel Test-Time Scaling with Multi-Sequence Verifiers
该论文提出了多序列验证器（MSV），通过联合处理所有候选解及其交互关系来改善验证器校准，从而在提升答案选择精度的同时，利用流式变体实现并行解码下的早期停止，显著降低了并行测试时扩展的推理延迟。
SENTINEL: Stagewise Integrity Verification for Pipeline Parallel Decentralized Training
本文提出了 SENTINEL 机制，通过轻量级的动量监控与指数移动平均技术，在不增加计算冗余的情况下，有效解决了流水线并行分布式训练在不可信节点环境下面临的拜占庭容错挑战，并实现了大规模语言模型的成功训练与理论收敛保证。
Goal-Driven Risk Assessment for LLM-Powered Systems: A Healthcare Case Study
本文提出了一种结合攻击树的结构化目标驱动风险评估方法，通过将大语言模型（LLM）特有的攻击（如提示注入）与传统网络攻击相结合，在医疗案例研究中实现了更具体的威胁建模与风险优先级排序，从而推动了 LLM 系统的安全设计实践。
Image-based Prompt Injection: Hijacking Multimodal LLMs through Visually Embedded Adversarial Instructions
该论文提出了一种名为“基于图像的提示注入”的黑盒攻击方法，通过将对抗性指令嵌入自然图像中，在保持隐蔽性的同时成功劫持多模态大语言模型的行为，最高可达 64% 的攻击成功率，从而揭示了多模odal 模型面临的新安全威胁。
Internet malware propagation: Dynamics and control through SEIRV epidemic model with relapse and intervention
本文提出了一种包含复发和干预机制的 SEIRV 微分方程模型来研究互联网恶意软件传播，通过稳定性分析、敏感性分析及结合模拟退火的混合优化框架，利用真实数据验证了干预时机对遏制感染的关键作用。
Structure-Aware Distributed Backdoor Attacks in Federated Learning
本文提出了一种结构感知的分形扰动注入框架，通过引入结构响应度与结构兼容性指标，揭示了联邦学习中模型架构与后门扰动之间的耦合关系，表明架构特性显著影响扰动的传播与存活，从而为设计结构感知的防御机制提供了新见解。
On the Suitability of LLM-Driven Agents for Dark Pattern Audits
该研究通过部署 LLM 驱动的智能体对 456 个数据经纪网站上的 CCPA 数据权利请求流程进行端到端审计，评估了其在识别界面设计中的黑暗模式（如摩擦、误导和胁迫）方面的可行性、可靠性及局限性。
From Threat Intelligence to Firewall Rules: Semantic Relations in Hybrid AI Agent and Expert System Architectures
该论文提出了一种结合神经符号方法与多智能体系统的混合架构，通过利用上下位语义关系从网络威胁情报中提取关键信息，自动生成专家系统所需的防火墙规则，从而在保障安全响应可信度的同时显著提升了对网络威胁的缓解效果。
A Multi-Dimensional Quality Scoring Framework for Decentralized LLM Inference with Proof of Quality
本文提出了一种用于去中心化大语言模型推理的多维质量评分框架，通过系统审计与校准各维度指标，构建出在对抗环境下能与强基线模型相媲美且具备互补优势的激励兼容质量信号。
CAM-LDS: Cyber Attack Manifestations for Automatic Interpretation of System Logs and Security Alerts
本文针对现有日志分析方法依赖人工配置且缺乏语义理解能力的局限，提出了包含 81 种攻击技术的开源数据集 CAM-LDS，并验证了利用大语言模型自动解读系统日志与安全警报的可行性。
Bayesian Adversarial Privacy
该论文提出了一种基于贝叶斯决策理论的新型情境化隐私度量框架，主张数据发布方应基于先验视角而非条件数据做出披露决策，并认为该框架在意义性、明确性和严谨性上优于差分隐私及统计披露理论。
PTOPOFL: Privacy-Preserving Personalised Federated Learning via Persistent Homology
PTOPOFL 提出了一种利用持久同调生成的 48 维拓扑特征向量替代梯度进行通信的隐私保护个性化联邦学习框架，通过拓扑引导的聚合策略在显著降低数据重构风险的同时，有效解决了非独立同分布数据下的模型聚合难题并实现了最优性能。
Robustness of Agentic AI Systems via Adversarially-Aligned Jacobian Regularization
本文提出了对抗对齐雅可比正则化（AAJR）方法，通过仅沿对抗上升方向控制灵敏度，在解决多智能体系统极小极大训练不稳定性问题的同时，避免了全局约束导致的过度保守性，从而在保障鲁棒性的前提下保留了模型的表达能力。
Turning Trust to Transactions: Tracking Affiliate Marketing and FTC Compliance in YouTube's Influencer Economy
本文利用自然语言处理技术分析了 YouTube 上 200 万条视频的数据，发现尽管联盟营销普遍存在，但创作者的 FTC 合规披露率极低，而平台提供的标准化披露功能能显著提升合规性，因此建议监管机构与平台合作以增强信任。
Toward multi-purpose quantum communication networks: from theory to protocol implementation
该研究通过在相同的量子密钥分发硬件上实现量子不经意传输和量子令牌协议，提出了一套从理论到实施的方法论，证明了向多用途量子通信网络过渡的可行性。
Multiparty Quantum Key Agreement: Architectures, State-of-the-art, and Open Problems
该论文通过提出由网络架构、量子资源和安全模型三个正交轴组成的设计空间，全面综述了多方量子密钥协议（MQKA）的架构、现状与开放问题，并规划了面向未来量子互联网的研究路线图。
An Efficient Learning Framework For Federated XGBoost Using Secret Sharing And Distributed Optimization
本文提出了一种基于秘密共享和分布式优化的无损多联邦 XGBoost 学习框架，在确保数据安全的前提下解决了现有方案的数据泄露、多 party 扩展性差及通信计算开销大等问题，并在基准数据集上展现出优于现有最先进模型的性能。