深度分析
AnovaX 本地多代理語音助理：LLM 規劃與自適應恢復機制
隨著語音助理逐漸雲端化，AnovaX 提出本地多代理架構，結合 LLM 計畫、類型化執行器與自適應恢復機制，支援手機遠端控制與即時螢幕串流，實現在筆電上全程離線操作，提升隱私與可控性，同時展示開源方案相較於商業雲端助理的可檢視與安全優勢與開放性。
隱私保護
深度分析
聯邦可解釋人工智慧 (FedXAI)：平衡隱私保護與模型透明度
面對分散式數據的隱私限制，聯邦學習雖能保護數據但模型仍是黑盒子。FedXAI 試圖將可解釋性整合進聯邦學習生命週期，透過多維度分類法分析模型解釋技術與隱私保護的共存路徑。研究指出該技術在醫療與金融等高風險領域至關重要，但目前仍面臨非 IID 數據導致的解釋不一致及缺乏標準化評估指標等挑戰，將影響未來可信 AI 的部署。
深度分析
以圖形模型提升 LLM 提示隱私保護與生成效能：PromptGraph 方法解析
隨著雲端大型語言模型普及，提示資訊暴露隱私風險。研究提出PromptGraph以圖形化方式選取保護片段，同時保留關鍵關聯。實驗顯示在多任務與模型上，可提升隱私防護且維持效能。其將每個提示切分為節點，結合隱私分數與關聯邊權，透過圖形選擇最大化隱私增益並最小化效能損失，較既有方法提升隱私保護率。
深度分析
DiffUE：利用擴散自編碼器在語意層實現不可學習影像防護
隨著 AI 盜用個人影像問題惡化，研究提出 DiffUE，使用擴散自編碼器在語意空間注入防護噪聲，取代傳統像素層干擾。此方式在保留自然視覺品質的同時，對抗訓練、灰階轉換與壓縮等重訓手段，實驗於 CIFAR、CelebA‑HQ 與 ImageNet 上均顯示顯著提升防護效果，F1 分數下降逾 10%。
速報
多模態模型「忘記」技術調查：跨視覺、語言與音訊的安全刪除
隨著視覺語言模型（VLM）、對話模型（DM）、大型語言模型（LLM）與音訊生成模型（AFM）在各領域的廣泛應用，這些多模態基礎模型往往會不自覺地保留訓練資料中的敏感、受版權保護、偏見或不安全的跨模態關聯。因知識分布於共享表徵，刪除請求或政策更新後的重新訓練成本高昂，且精準遺忘困難。
深度分析
從公開歌單推斷使用者屬性：musicPIIrate 框架與 JamShield 防護機制解析
研究指出，公開音樂歌單可被OffensiveAI工具musicPIIrate解析出使用者年齡、性別、嗜好等隱私資訊，使用圖神經與DeepSets模型提升屬性推測準確度，並提出注入虛擬歌單的JamShield防禦，可降低推論準確度約10%，顯示此攻擊對使用者隱私構成新興威脅。
深度分析
PromptPET：結合選擇式混淆與規則優化的 AI 提示隱私效用最佳化框架
隨著AI聊天機器人廣泛使用，使用者在對話中暴露敏感資訊的風險升高。PromptPET以四種混淆手段（刪除、抽象、替換、噪聲）結合使用者自訂屬性分類，並透過LLM規則優化選擇最佳手段，在隱私與回應效用間取得平衡。實驗顯示其隱私保護程度超過既有方案，同時維持實用回應。
深度分析
TIER：說明正則化提升會員推斷隱私防護的實驗驗證
隨著可解釋AI介面成為隱私攻擊新入口，研究提出Trajectory‑InvariantExplanationRegularization(TIER)防禦，透過梯度導向擾動抑制信心下降軌跡波動並以KL散度維持分布一致性，實驗顯示在多套資料集與說明方法上降低成員推斷成功率，同時保留模型效能與解釋忠實度。
深度分析
從 GPT‑2 Small 隱藏向量逆向還原文字：梯度最佳化方法與實驗結果
研究指出，解碼式語言模型最後層隱藏狀態可透過梯度最佳化逆向還原文字。作者採用持續於嵌入空間搜尋、最後一次投射的方式，實驗在10字元測試中，精確率從66.9%提升至97.5%。此結果說明，即使僅傳輸浮點向量，也可能被逆向解碼，對分割推論與嵌入API構成潛在威脅。
深度分析
成員與生成推論 (MGI) 問題：Data Circuit Breaker 技術突破與應用前景
生成式模型逐漸能產出與真人無異的影像，導致難以分辨樣本是訓練成員還是模型自行生成。研究提出成員vs生成推論(MGI)任務，並開發DataCircuitBreaker三階段方法，結合自編碼器與潛在生成器辨識，成功區分真實訓練資料與近似複製的生成樣本，提升隱私審計與模型迭代安全。
深度分析
分散式聯邦因果探索：FCD 與 FCI 方法、拓撲與應用前景
隨著資料分散於醫院、金融與物聯網等領域，聯邦學習提供不搬移原始資料的分析途徑。本調查聚焦於聯邦因果發現與推論兩大核心技術，從方法論、拓撲與結構範圍三軸分類，並比較其與傳統中心化方案的差異。結果顯示，分散式因果圖學習在隱私保護與跨域適應上具備顯著優勢，未來有望推動 AI 可解釋性與跨機構決策的發展。
深度分析
Minim 以情境完整性實現本機隱私最小化，提升 LLM 代理人安全性
隨著大型語言模型驅動的自主代理人頻繁傳送完整 UI 狀態，隱私泄漏風險上升。研究提出 Minim，於本機預先評估每個介面元素的敏感度與任務必要性，僅保留關鍵資訊並抽象化敏感屬性。實驗顯示在 WebArena 任務中可大幅降低非必要敏感泄漏，同時維持操作效能。此方法為未來 AI 代理人隱私保護提供可審計且高效的路徑。