DSFL 論文閱讀分析：很多跨機構詐欺防禦真正缺的，不是再多一個模型，而是讓大家能一起學又不用先交出資料
這篇 paper 真正補的，不是再替 federated learning 換一套口號，而是正面處理跨機構金融詐欺偵測最痛的三難題：既要合作學習、又不能把交易資料直接交出去，還得避免協定一擴大就太慢、或有人在更新路上亂塞壞東西。
2026 年 4 月 29 日
Privacy Engineering
2026
X-NegoBox 論文閱讀分析：很多高敏資料共享真正缺的，不是固定一個 epsilon，而是讓隱私預算真的能談
這篇論文最值得看的，不是又把 differential privacy 套進一個新領域，而是把資料共享真正麻煩的部分拉回桌上：同一份高敏資料，不同請求方、不同用途、不同歷史行為，根本不該吃同一個固定 privacy budget。X-NegoBox 把隱私預算改寫成可協商、可解釋、可在本地 sandbox 執行的 runtime decision process，核心不是「給不給」，而是「怎麼在不先交出生資料的前提下談出最小揭露的可接受方案」。
2026 年 4 月 29 日
Synthetic Trajectory 隱私論文閱讀分析：很多 synthetic data 真正先外洩的，不是內容長得太像，而是 membership 早就被看穿
這篇論文真正有價值的地方，是把 synthetic trajectory 的常見幻覺拆開來看：很多研究一直在談 utility，卻沒有把 membership leakage 當成同等級風險正式驗證；作者不只整理 utility taxonomy，也證明某些看起來比較私密的模型仍可能在 membership inference 下高分失守。
2026 年 4 月 23 日
DP 稽核論文閱讀分析：很多隱私保證真正缺的，不是再多一個 ε，而是先確認它沒有被高估
這篇真正重要的提醒，是 DP 不該只停在理論參數；若沒有夠緊的 audit，把 synthetic data 說成「有隱私保證」往往只是合規感很強、assurance 很弱。
2026 年 4 月 23 日
PROMPT Framework 論文閱讀分析：很多宣傳偵測系統真正先失守的，不是模型抓不到，而是為了抓到先把人看得太清楚
這篇論文真正重要的，不是再做一份 propaganda detection survey，而是把內容安全系統的隱私帳攤開來算：很多系統不是先輸在抓不到，而是為了抓到先收了過多 metadata、關聯與使用者層級訊號。PROMPT 把風險、緩解、合規與效能取捨放回同一張工程圖上。
2026 年 4 月 23 日
LLM-Redactor 論文閱讀分析：真正該保護的，可能不是傳輸中的 Prompt，而是它送出前那整條 request pipeline
論文基本資訊 論文標題：An Empir...
2026 年 4 月 23 日
Eye Tracking 隱私論文閱讀分析：真正敏感的不是你看了哪，而是別人能不能拿你的視線軌跡一直比下去
這篇論文把 eye-tracking 的核心難題講清楚：真正麻煩的不是能不能比較 scanpath，而是比較這件事本身，能不能在不交出原始視線軌跡的前提下完成。作者用 garbled circuits 把 scanpath similarity computation 搬進安全計算，讓儲存與比對都不必默認服務端能看明文。
2026 年 4 月 23 日
Sherpa.ai 論文閱讀分析：很多跨機構 AI 合作真正先洩漏的，不是資料值，而是原來彼此手上講的是同一批人
Sherpa.ai 把 federated learning 裡最容易被低估的 joining layer 拉回安全核心：真正該保護的，不只是 identifier，而是連 intersection membership 也不該先被看光。
2026 年 4 月 22 日