ZK-APEX：首个可验证的个性化机器学习遗忘框架
本文提出ZK-APEX，一种无需重新训练即可从个性化模型中移除特定数据影响的零知识验证方法。该方法结合服务端的稀疏掩码与客户端的轻量级补偿步骤，利用分块经验费雪矩阵进行低开销更新。通过Halo2零知识证明，服务商可验证遗忘操作的正确执行，而无需访问任何私有数据或模型参数。在视觉Transformer任务中，该方法在有效移除目标信息的同时，几乎完全恢复了模型的个性化性能。
2025-12-12 速览 · 计算机科学
2025-12-12 共 22 条抓取，按综合热度排序
CloudFix：首个结合形式化方法与LLM的云访问控制策略自动修复框架
本文提出CloudFix，首个结合形式化方法与大型语言模型（LLM）的云访问控制策略自动修复框架。针对手动编写策略易出错且耗时的问题，CloudFix首先利用基于形式化方法的故障定位识别策略中的错误语句，然后调用LLM生成潜在修复方案，最后通过SMT求解器进行验证。在包含282个真实AWS策略的数据集上，CloudFix在不同请求规模下均展现出优于基线方法的修复准确率。该工作首次探索了LLM在策略修复中的应用，为高效、自动化的云安全策略维护提供了新方案。
量子联邦学习与区块链融合，为6G网络构建安全智能框架
本文提出QFLchain框架，将量子联邦学习与区块链技术结合，以应对未来6G网络动态、去中心化、数据密集的挑战。该框架旨在利用量子计算优势提升学习效率与抗量子威胁能力，同时借助区块链实现分布式量子边缘设备间的可信协作。研究重点分析了通信共识开销、可扩展性、能效及安全漏洞四大支柱问题，并通过仿真案例展示了其在训练性能上的潜在优势。
TDC-Cache：面向Web3.0的可信去中心化协作缓存框架
本文提出了一种面向Web3.0的可信去中心化协作缓存框架TDC-Cache，旨在解决去中心化数据访问中的效率与安全问题。该框架采用双层架构，利用去中心化预言机网络作为可信中介平台。针对网络拓扑与数据流的复杂性，提出了基于深度强化学习的去中心化缓存策略以动态优化缓存，并设计了协作学习证明共识机制来维护缓存决策的一致性。实验表明，该框架能有效降低访问延迟、提升缓存命中率与共识成功率。
神经形态眼动追踪：低延迟瞳孔检测新突破
本研究提出了一种基于神经形态传感器和脉冲神经网络（SNN）的新型眼动追踪模型，旨在解决AR/VR等可穿戴设备对低延迟、低功耗的需求。通过用轻量级LIF层替换传统循环和注意力模块，并利用深度可分离卷积降低模型复杂度，新模型在保持3.7-4.1像素平均误差（接近专用系统精度）的同时，将模型大小缩小20倍，理论计算量降低850倍。预计功耗仅为3.9-4.9毫瓦，延迟低至3毫秒，为实时可穿戴部署提供了高效解决方案。
BAMBO：通过贝叶斯自适应多目标块优化构建LLM帕累托前沿
本文提出BAMBO框架，旨在解决大语言模型能力与效率权衡的帕累托集构建难题。针对现有模型级方法解集稀疏、层间方法维度灾难的问题，BAMBO引入混合最优块划分策略，将其建模为一维聚类问题，通过动态规划平衡块内同质性与块间信息分布，从而大幅降低搜索维度。整个过程由q-期望超体积改进驱动，在进化循环中自动进行。实验表明，BAMBO能发现比基线更优、更全面的帕累托前沿，支持根据多样化约束进行敏捷模型选择。
假新闻检测新突破：引入节点拓扑特征提升识别准确率
本研究提出一种轻量级增强方法，通过为每个节点添加度中心性和局部聚类系数这两个经典图论指标，显式地标记其在传播网络中的枢纽和社区角色。在UPFD Politifact数据集上的实验表明，该简单修改将宏观F1分数从0.7753提升至0.8344。这不仅证明了显式拓扑特征在假新闻检测中的实用价值，也为其他信息传播任务融合图指标提供了可解释、易复现的模板。
ExaCraft：动态学习情境适应，为每位学习者生成个性化教学案例
本文介绍了ExaCraft，一个能够根据学习者动态变化的理解水平、困难点和技能成长，实时生成个性化教学案例的AI系统。它通过整合用户自定义档案（如地理位置、教育背景）与实时行为分析，确保案例兼具文化相关性与个体适配性。系统的核心创新在于能适应学习情境的五个关键方面：困难指标、掌握模式、主题进展历史、会话边界和学习进展信号，使教学案例能从基础概念平滑过渡到高级技术实现。
Suzume-chan：一个具身化的信息枢纽，让知识分享更温暖
本研究基于社会临场感理论，提出“具身化信息枢纽”概念，旨在通过物理与对话交互改善知识分享体验。原型Suzume-chan是一个小型、柔软的本地AI代理，结合语言模型与检索增强生成技术。它能通过语音学习解释并对话回应，有效减少心理距离，使知识传递更具人性化与连接感。
IoTEdu：学术物联网网络中的访问控制、检测与自动事件响应平台
针对学术环境中物联网设备增多带来的安全与管理挑战，本研究提出了IoTEdu集成平台。该平台统一了物联网设备的注册、监控与事件响应流程，集成了访问控制、事件检测与自动阻断功能。在模拟攻击的受控环境中评估显示，其平均检测到阻断时间仅为28.6秒，有效减少了人工干预，实现了响应标准化与流程统一。
健康谣言检测新框架：两阶段多智能体辩论系统
针对在线健康谣言泛滥的问题，本研究提出了一种两阶段检测框架。第一阶段利用大语言模型独立评估检索到的证据文章，计算反映整体证据立场的聚合一致性分数。若分数低于预设阈值，则进入第二阶段，启动多智能体结构化辩论，以综合冲突证据并生成带有明确理由的裁决。实验表明，该方法性能优于基线，验证了自动化评分与协作推理结合在复杂验证任务中的价值。
量子增强Transformer提升电网电压稳定性评估的对抗鲁棒性
本文提出QSTAformer，一种将参数化量子电路嵌入注意力机制的量子增强Transformer架构，用于提升短期电压稳定性评估在对抗攻击下的鲁棒性。研究开发了专门的对抗训练策略以抵御白盒与灰盒攻击，并系统评估了不同量子电路在表达能力、收敛性与效率间的权衡。在IEEE 39节点系统的案例研究表明，该模型在保持高精度的同时，显著提升了对抗条件下的鲁棒性，为电力系统安全运行提供了新方案。
区块链审计模型革新运营商结算：交易费降87%，周期从120天缩至3分钟
本研究提出一种基于区块链的审计追踪模型，旨在解决电信与金融行业跨运营商结算流程中存在的周期长、成本高、透明度低等痛点。该框架利用分布式账本、智能合约自动化及密码学验证技术，构建了统一且不可篡改的交易记录。实证评估显示，该模型能将交易费用降低87%，结算周期从120天压缩至3分钟，并实现100%的审计追踪完整性。智能合约自动化减少了92%的人工干预，并消除了88%的结算纠纷。
R-CMASP：面向再保险决策的规范约束多智能体仿真框架
本文针对再保险决策中信息分散、异构、受监管约束等复杂特性，提出了再保险约束多智能体仿真过程（R-CMASP）模型。该模型在随机博弈与Dec-POMDP基础上，引入了三大核心要素：基于灾害、资本与投资组合引擎的仿真器耦合动态；具备结构化观测、信念更新与类型化通信的角色化智能体；以及将偿付能力、监管与组织规则编码为联合行动可行性约束的规范层。实验表明，在基于LLM的智能体环境中，该规范治理的多智能体协调机制相比确定性自动化或单一LLM基线，能产生更稳定、一致且合规的行为，有效降低了定价方差，提升了资本效率与条款解释准确性。
Echo-CoPilot：多视图多任务AI助手，革新超声心动图解读与报告
本研究提出Echo-CoPilot，一个利用大语言模型协调多个专业工具的多视图、多任务智能体，用于超声心动图解读。该智能体在ReAct式循环中，能分解临床查询、调用视图识别、结构分割、测量、疾病预测等工具，并整合输出为符合指南的答案和叙述性报告。在MIMIC-EchoQA基准测试中，其准确率达50.8%，优于通用及生物医学视频视觉语言模型。分析表明，它能利用定量测量和生理学背景解决临床决策阈值附近的疑难病例。
ELANA：轻量级大语言模型能耗与延迟分析工具开源
研究者开源了轻量级分析工具ELANA，用于评估大语言模型在从边缘设备到云集群不同硬件上的延迟与能耗。该工具支持分析模型大小、KV缓存、首字延迟、生成延迟及端到端延迟，兼容Hugging Face所有公开模型，并易于定制以适应压缩或低比特模型，为高效LLM研究和小规模概念验证提供便利。
HGC-Herd：无需训练的异质图压缩新方法，大幅提升学习效率
本文提出了一种名为HGC-Herd的高效异质图压缩框架，旨在解决异质图神经网络在处理大规模图数据时面临的结构冗余和高维特征挑战。该方法无需依赖传统梯度匹配，通过轻量级特征传播编码多跳关系上下文，并采用类内聚类机制为每个类别选取代表性节点，从而生成紧凑且信息丰富的子图。在多个基准数据集上的实验表明，HGC-Herd在保持与全图训练相当甚至更优精度的同时，显著降低了计算时间和内存消耗。
CIDP协议：突破战术网络匿名性三难困境，实现低延迟高匿名通信
下一代战术网络面临匿名性、低延迟与低带宽开销无法兼得的“三难困境”。CIDP协议通过联合设计网络控制器、鲁棒控制屏障函数与天线旁瓣调制优化，在物理层注入熵，实现了近乎等时、低开销的匿名通信。理论证明与仿真表明，该协议在保证严格抖动边界的同时，能扩大约40%的匿名集，且吞吐量损失仅约5%，为自主JADC2部署提供了首个兼具强匿名性、严格等时性与频谱效率的可证明保障架构。
TRUCE框架：基于AI与语义网的健康数据合规交换服务
本文提出了一种名为TRUCE的可信合规执行框架，旨在解决HIPAA与Cures Act等法规冲突导致的健康数据交换合规难题。该框架利用人工智能、知识表示与语义网技术，通过推理数据交换上下文、评估用户信任度与数据真实性来自动化合规流程。其信任管理方法融合了法规静态规则与组织政策的动态规则。验证表明，TRUCE能有效管理多达百万条CDC接触者追踪患者数据的实时交换，帮助组织简化合规工作并确保隐私法规遵从。
GOODSPEED：分布式边缘推理中通过自适应推测解码优化公平有效吞吐量
本文提出GOODSPEED框架，旨在解决多用户分布式大语言模型推理中有效吞吐量与公平性的平衡难题。该框架采用一个中央验证服务器协调多个异构的草稿服务器，通过创新的梯度调度算法动态分配令牌验证任务，最大化对数效用函数以确保服务器间的比例公平。理论分析表明，GOODSPEED在稳态下能收敛至最优有效吞吐量分配，并在动态负载下保持接近最优的性能，为资源受限的边缘环境提供了可扩展、公平且高效的LLM推理解决方案。
基于有限自动机同步积的广义弧一致性算法
本文提出了一种利用有限自动机（DFA）同步积来确保广义弧一致性（GAC）的新方法。该方法针对矩阵形式的约束问题，通过构建一个正则约束和多个表约束，得到一个Berge-无环的分解，从而高效实现GAC。研究通过一个氢分布问题的求解，验证了该方法在快速找到最优解并证明最优性方面的有效性。
M-ERC4907：支持多时段批量授权的频谱资源租赁新方法
本文针对ERC4907标准在去中心化多时段调度场景中的局限性，提出了M-ERC4907扩展方法。该方法创新性地支持多时段批量配置与多用户同时授权，打破了原有标准的顺序授权约束。在Remix开发平台上的实验表明，M-ERC4907能显著减少链上交易和Gas总消耗，有效提升了系统的可扩展性与频谱资源分配效率。