研究提出抗LLM跨域威胁归因框架，结构剥离下身份识别率达78.6%

Manish Tripathy 于3月5日发布预印本，提出绕过“LLM墙”的跨域威胁行为体归因框架。论文称，现有基于BERT、RoBERTa等语义特征的归因方法在对抗性风格迁移下准确率趋近随机。该框架改用行为信号处理：逻辑到达时差（L-TDoA）借鉴电子战信号传播数学测量“认知延迟”，SynGNN则基于依存树结构、词性转移等深层句法嵌入而非词汇学习身份。作者称，在完全结构剥离条件下，SynGNN恢复78.6%（95% CI：75.4-81.8%）身份，而BERT类模型降至12.4%；在200名候选嫌疑人受控对抗场景中，融合模拟综合精确率为91.7%（95% CI：88.3-94.1%）。该研究定位为TRL 3基础框架。