本研究探讨了稀疏自编码器在Java函数漏洞检测中的有效性，解决了传统方法的高假阳性率和可扩展性问题。结果表明，稀疏自编码器能有效检测软件漏洞，F1得分最高达89%，显著优于微调的变压器编码基线。

本研究提出了一种新颖的自动校准成员推断攻击框架（ACMIA），旨在解决现有方法的高假阳性率和对参考模型的依赖问题。通过调节温度，ACMIA有效校准输出概率，增强了成员推断的可靠性和鲁棒性。

本研究探讨了图基入侵检测系统（GIDS）的可重复性和可复制性挑战，并提出了评估现有GIDS的方法。研究表明，数据集规模和实施设置对性能有显著影响，同时揭示了假阳性率和鲁棒性的问题，为未来研究提供了重要见解。

本研究探讨了超分辨率超声定位显微镜中微泡检测阈值的设定及其对图像质量的影响。结果表明，假阳性和假阴性率对峰值信噪比的影响相似，但假阳性率的增加显著降低了结构相似性指数，强调了改进微泡检测框架的重要性。

布隆过滤器是一种概率性数据结构，用于检查集合中元素的存在，具有节省空间和快速查询的优点。它通过哈希多个位置来降低假阳性率。布谷鸟过滤器则支持删除操作，查找性能更高，空间利用更紧凑，适合用于用户名检测和广告投放等场景。

本文介绍了一种基于线性回归的异常检测方法，利用大规模预训练的transformers网络提升OOD检测性能。研究提出了低秩适应模块（LoRA）和无关数据集的广义异常检测方法，显著降低假阳性率。通过双层离群分布检测框架和半监督元学习方法，解决领域漂移和未标记数据问题，提升模型鲁棒性。

本文探讨了一种新的成员推断攻击方法（SPV-MIA），旨在检测敏感数据泄露。研究表明，现有攻击方法存在高误报率，提出的新算法显著提高了假阳性率。通过分析影响攻击成功的因素，建议使用数据集属性作为正则化器，以降低攻击准确率，同时保持模型的预测效果。

新研究提出了一种名为CoDoC的AI系统，用于评估预测AI在医疗场景中的准确性，并决定何时应依赖人类医生。CoDoC通过学习AI模型与医生解读之间的关系，优化决策，减少假阳性率。研究表明，结合人类专业知识与预测AI可提高准确性，并显著减轻医生的工作负担，具有在医疗领域安全应用的潜力。