- 论文公开站arXiv
具身强化学习中用于私有轨迹重建的时间梯度反转
Temporal Gradient Inversion for Private Trajectory Reconstruction in Embodied Reinforcement Learning
摘要显示，分布式具身强化学习虽只在设备端保留原始传感器数据、仅上传策略梯度，但时序结构会放大隐私泄露。作者提出 TRACE，一种摊销式时序梯度反演攻击，利用相邻梯度间的跨时间相关性以及策略头梯度中动作的闭式恢复，自回归重建私有观测-动作轨迹。在留出的具身场景中，TRACE 达到 18.8 dB PSNR，动作恢复近乎完美，每帧重建耗时 3–4.5 毫秒。
意义：表明仅上传策略梯度并不足以保护具身智能体的轨迹隐私，联邦/分布式 RL 需引入序列感知的防御机制。
- 资讯公开站Ars Technica
黑客揭示Flock摄像头如何真正追踪汽车和人
Hackers reveal how Flock cameras really track cars and people
摘要显示，Ars Technica 报道称黑客披露了 Flock 摄像头的实际追踪能力：一台被入侵的摄像头共捕获 160 万张图像，且不仅能识别车辆，还能检测到人。报道据此质疑这类车牌识别摄像头的监控范围超出公开宣传，涉及车辆与行人的持续追踪问题。
意义：提醒开发者与 AI 从业者：大规模视觉监控系统的数据规模与人群识别能力常被低估，涉及隐私与合规风险。
- 资讯公开站ScienceDaily Matter & Energy
普通WiFi现可以近乎完美准确率识别个人
Ordinary WiFi can now identify you with near-perfect accuracy
研究人员利用WiFi设备与路由器间常规交换的未加密信号生成无线电人体图像，无需摄像头或专用传感器即可在数秒内识别个人。在197名参与者测试中，系统从不同角度识别准确率接近100%。
意义：WiFi信号可被动用于身份识别，意味着隐私边界被打破，开发者需关注无线感知带来的安全与合规风险。
- 资讯公开站Entrepreneur
Ian Rogers 从 Beats、Apple 到 LVMH，现领导估值 15 亿美元的隐私安全创业公司
He Built Products at Beats, Apple and LVMH. Here’s How He Ended Up at a $1.5 Billion Startup That’s Making Your Data Safer.
摘要显示，Ian Rogers 曾在 Beats、Apple 和 LVMH 负责产品，参与打造 Apple Music。如今他加入一家估值 15 亿美元的创业公司，该公司已售出超过 800 万台安全设备，致力于让用户数据更安全。他分享了从 Apple Music 经历中学到的最大教训。
意义：对关注隐私安全、硬件创业及产品管理的开发者与AI从业者，提供了资深产品人的经验与市场验证案例。
