深度分析
UMEDA：譜門控 Linear Transformer、Diff‑GNO 與子空間差分隱私的多模態圖形聯邦學習
在裝置免穿戴定位場景中，多模態感測帶來異構離散化與分布漂移難題。UMEDA以譜門控線性注意力對齊共享低秩語意，再透過基於核頻譜的擴散圖算子進行生成式聚合，並以子空間投影差分隱私保留主要特徵，顯著改善在異質感測與嚴格隱私下的定位與姿態推估效果。
差分隱私
深度分析
表格擴散模型隱私風險實測：以 ClavaDDPM 與會員推斷攻擊揭示關鍵因子
研究針對表格擴散模型的隱私外洩風險進行系統性量測與實驗。採用先進會員推斷攻擊（白盒與黑盒）評估多種訓練與生成設置，並分析訓練步數、資料規模、擴散步數與合成量等因子對外洩的影響。比較距離到最近紀錄等啟發式隱私量測與實際攻擊成效，結果顯示攻擊在知識或運算受限下仍具效力，且多數啟發式指標無法可靠預測風險。
深度分析
SynBench：差分隱私下的專業領域合成資料效用與隱私測評
高風險領域的數據私密性阻礙資料共享與模型應用；SynBench提出以差分隱私為核心的標準化評估，整合九個具領域複雜性的資料集並測量效用與保真度；實驗顯示在差分隱私約束下生成高品質專用合成文本仍未達成熟，且預訓練資料的公開成分可能削弱隱私保證。
深度分析
CyberAId：以混合式多代理與 LLM 子代理強化金融 SIEM/XDR 的可審計威脅偵測
金融業在監管與自動化攻擊雙重壓力下，面臨警示淹沒與推理能力不足的挑戰。CyberAId採混合多代理架構：專責LLM子代理在既有SIEM/XDR上推理、專家分工與隱私保護的聯邦知識交換，並把產出寫回SIEM形成可審計的流程。此方式旨在提升應變效率並符合法規審查。
深度分析
FedPF：結合差分隱私與公平性的零和博弈聯邦學習框架
聯邦學習在保護資料本地化的同時，面臨隱私與公平的衝突。研究提出FedPF演算法，將隱私、公平與效用構造成零和博弈，理論證明隱私加強會削弱偏見偵測，實驗顯示可降低42.9%歧視且維持準確度。此外，研究指出公平約束在適度時能提升模型泛化，過度則導致效能下降，凸顯隱私與公平間不可避免的權衡。
深度分析
從ChatGPT對話到人格推論：RoBERTa微調方法、發現與防護建議
本研究分析668名使用者、62090則ChatGPT對話紀錄，探討以微調RoBERTa模型從對話推斷五大人格的可行性與隱私風險；研究依據不同對話類型與使用情境進行細緻分類，結果顯示在多種情況下模型分類性能顯著高於隨機基準，凸顯大規模對話資料被濫用的潛在威脅。
速報
DP-FLogTinyLLM：結合差分隱私的聯邦化微型LLM日誌異常檢測
分散式系統產生日誌龐大且跨組織分散，難以集中。DP-FLogTinyLLM結合聯邦最佳化與差分隱私，並以LoRA對微型LLM做參數高效微調以降低資源需求。於Thunderbird與BGL資料集實驗顯示，其效能可與集中式LLM匹敵，且比既有聯邦基線在精確率與F1更佳。
深度分析
多伺服器安全多方計算結合差分隱私的垂直聯邦學習框架
在垂直聯邦學習中，特徵分散於多客戶端且標籤不共享。研究者將聚合者拆分至多伺服器，利用安全多方計算與差分隱私保護模型與特徵聚合，並提出支援全域與全域‑本地更新的優化協議，顯著減少計算與通訊負擔，實驗證實其效能與隱私保護能力。