李丽珍换装艺术——揭秘她独特服装风格背后的种子故事，民航涉外法治研讨会举办 学者建言开创民航涉外法治工作新局面看似无害的提问，也能偷走RAG系统的记忆——IKEA：隐蔽高效的数据提取攻击新范式各位考生和家长注意啦！高考期间（6月7日-8日），贵州天气总体平稳，但部分地区有阵雨或雷雨，建议提前规划出行，带好雨具，避免耽误考试！
"李丽珍换装艺术：探索其独特服装风格的深层内涵与种子故事"
这篇文章将深入探讨李丽珍这位香港著名女演员的独特服装风格，包括她的服饰演变历程、设计灵感来源以及她在服装创作中的创新思维。透过李丽珍的服装作品，我们可以看到她对时装文化的深度理解和独特的审美视角，同时也揭示了她换装艺术背后所隐藏的故事和理念。
李丽珍自1970年代初开始涉足演艺圈，凭借其清新脱俗的形象及精湛的演技在华人影坛崭露头角。她以简约而不失韵味的装扮成为现代女性服装界的标志性人物之一，这种个性化的服装风格深受广大观众喜爱。从单一的旗袍或晚礼服到多层次且富有创意的服装组合，李丽珍的服装设计既展现出东方传统美学，又融入了西方时尚元素，形成一种独具特色的个人品牌风格。
李丽珍换装艺术的根源主要来源于她对生活的热爱和对自我表达的追求。她常常通过自己的生活经验、情感体验和时尚洞察力，为每一套服装赋予新的生命和情感色彩，使每一款服装都能反映出她独特的个性和价值观。李丽珍曾表示：“我热爱每一个小细节，因为它们让我能在众多服装中脱颖而出。”在设计服装时，她不仅注重服装款式、面料选择、颜色搭配等外在因素，更关注内在的灵魂内涵，如简洁优雅的线条、精致细腻的剪裁、大胆有趣的图案、别致新颖的设计理念等。
李丽珍的换装艺术不仅是一种视觉的艺术享受，更是一种生活态度和哲学思考的体现。通过对服装的不断尝试和创新，李丽珍将不同的时代背景、社会环境和个人经历融入其中，塑造了一种既有传统韵味又具有现代感的服装文化现象。这一特质正是“李丽珍换装艺术”的精髓所在，也是推动中国服装界发展的重要推动力量。
总结起来，李丽珍换装艺术的独特魅力在于它以深邃的文化底蕴和丰富的内心世界为基础，将中国传统服饰元素与现代设计理念相结合，形成了一个充满活力且极具辨识度的个人服装品牌。这既是她的个人才华与艺术造诣的体现，也是中国当代女性服装产业多元化和个性化发展的典范。未来，我们期待李丽珍继续以其丰富多样的服装风格引领时尚潮流，并为我们带来更多关于艺术和生活方式的新发现。
北京6月8日电 (记者 张素)“在百年未有之大变局下，国际航空运输市场面临着贸易保护主义、地缘政治冲突、科技创新变革等挑战和机遇，这要求民航工作者提高运用法治思维和法治方式应对国际民航发展挑战的意识和能力。”中国政法大学副校长于飞近日在北京说。
6月6日至7日，“2025年民航涉外法治研讨会暨第五届国际航空航天法治论坛”举办。会上，于飞分享了中国政法大学在航空法人才培养方面取得的成绩，并提出下一步建议，鼓励与会者继续参与民航法治建设，不断开创民航涉外法治工作新局面。
6月6日至7日，“2025年民航涉外法治研讨会暨第五届国际航空航天法治论坛”在北京举办。中国政法大学
“2025年民航涉外法治研讨会暨第五届国际航空航天法治论坛”由中国政法大学与中国民用航空局国际合作服务中心共同主办，中国政法大学国际法学院/涉外法治学院承办。
中国民用航空局政策法规司副司长吉大鹏出席开幕式并致辞，对中国民航涉外法治建设提出了四点建议：坚持立法先行、坚持实践导向、坚持交流互鉴、坚持能力提升。他勉励与会者为民航涉外法治建设贡献智慧与力量。
会上，中国法学会航空法学研究会会长郭俊秀、中国航空运输协会总法律顾问马正、武汉大学教授黄解放、中国政法大学国际法学院/涉外法治学院教授朱子勤分别发表演讲。
郭俊秀在演讲中分析了民用航空国际市场格局和旅客结构的变化，阐述了航空公司在实践中面对的法律风险。他强调，民用航空产业应从反外国制裁、旅客信息保护、反垄断合规等方面加强法律储备，培养法律人才队伍。
马正在演讲中介绍了《统一国际航空运输某些规则的公约》(下称《蒙特利尔公约》)诞生的历史背景，梳理了其在旅客运输责任、延误责任、管辖权等方面对中国民航法治建设的深刻影响。他表示，中国作为全球民航业的重要参与者，应积极参与国际航空运输规则的制定和修订过程，同时以《蒙特利尔公约》为重要参照，不断完善民航法律体系，为中国从民航大国迈向民航强国提供坚实的法律保障。
“我国未来参与国际航空立法工作、争取国际话语权的关键在于人才。”黄解放在演讲中提出应当坚持以德为先的原则，培养政治立场坚定、专业素质过硬、通晓国际规则、精通涉外法律事务的涉外法治人才。
朱子勤在演讲中探讨了《蒙特利尔公约》的优先适用规则，分析了民用航空法修订草案在国际运输的界定、运输凭证、承运人责任保险等方面对《蒙特利尔公约》的借鉴与本土化。她表示，修订草案在条款中直接规定适用中国参加的相关国际公约，这种表述是国内立法的创新规定，值得肯定。
本次论坛还设置5个专题单元，多位专家学者围绕“1999年《蒙特利尔公约》的机遇和挑战”“1999年《蒙特利尔公约》法律实践”“民航多元化争端解决机制”等专题展开研讨。(完)
本文作者分别来自新加坡国立大学、北京大学与清华大学。第一作者王宇豪与共同第一作者屈文杰来自新加坡国立大学，研究方向聚焦于大语言模型中的安全与隐私风险。共同通讯作者为北京大学翟胜方博士，指导教师为新加坡国立大学张嘉恒助理教授。
本研究聚焦于当前广泛应用的 RAG (Retrieval-Augmented Generation) 系统，提出了一种全新的黑盒攻击方法：隐式知识提取攻击 (IKEA)。不同于以往依赖提示注入 (Prompt Injection) 或越狱操作 (Jailbreak) 的 RAG 提取攻击手段，IKEA 不依赖任何异常指令，完全通过自然、常规的查询，即可高效引导系统暴露其知识库中的私有信息。
在基于多个真实数据集与真实防御场景下的评估中，IKEA 展现出超过 91% 的提取效率与 96% 的攻击成功率，远超现有攻击基线；此外，本文通过多项实验证实了隐式提取的 RAG 数据的有效性。本研究揭示了 RAG 系统在表面「无异常」交互下潜在的严重隐私风险。
本研究的论文与代码已开源。
总述
大语言模型 (LLMs) 近年来在各类任务中展现出强大能力，但它们也面临一个核心问题：无法直接访问最新或领域特定的信息。为此，RAG (Retrieval-Augmented Generation) 系统应运而生——它为大模型接入外部知识库，让生成内容更准确、更实时。
然而，这些知识库中往往包含私有或敏感信息。一旦被恶意利用，可能导致严重的数据泄露。以往的攻击方式多依赖明显的「恶意输入」，比如提示注入或越狱攻击。这类攻击虽然有效，但也有着输入异常、输出重复等典型特征，容易被防御系统识别和拦截。
图1: 使用恶意查询进行逐字信息提取与使用良性查询进行知识提取 (IKEA) 之间的对比
为突破防御机制对现有提取攻击的限制，本文提出了一种全新的隐式知识抽取框架：IKEA (Implicit Knowledge Extraction Attack)。该方法不依赖任何越权指令或特异化提示语，而是通过自然、常规的查询输入，逐步引导 RAG 系统暴露其内部知识库中的私有或敏感信息。IKEA 的攻击流程具备高度自然性与隐蔽性。
其核心步骤包括：首先，基于已知的系统主题构建一组语义相关的锚点概念 (Anchor concepts)；随后，围绕这些概念生成符合自然语言习惯的问题，用于触发系统检索相关文档；最终，通过两项关键机制对攻击路径进行优化与扩展：
上述机制协同工作，使得攻击过程在保持输入自然性的同时，能够在多轮交互中高效提取 RAG 系统所依赖的外部知识内容。实验证明，IKEA 可在常规输入检测与输出过滤等防御机制下维持高成功率与提取效率，展现出强大的鲁棒性与现实威胁潜力。
方法概览：如何实现「看似正常」的提问？
具体而言，IKEA 首先从与系统主题相关的概念词中筛选出可能有效的锚点概念，并结合历史响应信息过滤无关或无效的概念。
锚点概念数据库的初始化如下：
随后，系统围绕这些锚点概念自动生成语义自然、表达通顺的问题，引导 RAG 返回内容丰富的答案，从而在多轮交互中不断扩大对隐私知识的覆盖。这种策略使攻击过程更加隐蔽，难以被传统检测手段发现。下文给出了「良性」问题的具体生成方式：
该方法设计了两项关键机制以确保知识提取效率：
经验反思采样 (Experience Reflection Sampling)
每个候选锚点概念的采样概率由如下惩罚得分函数定义：
最终的采样概率为：
可信域有向变异 (Trust Region Directed Mutation)
图 2: (左) IKEA 整体流程图；(右) TRDM 示意图
其中：
实验结果：IKEA 的提取效率远超基线方法
研究团队在三个不同领域数据集 (医疗-HealthCareMagic100k、小说-HarryPotter、百科-Pokémon) 上测试了 IKEA 攻击效果。以下是 IKEA 与其他攻击方法在「无防御」、「输入检测」、「输出过滤」三种防御策略下的比较：
表 1: 在三种数据集上不同防御策略下的攻击效果对比分析
提取知识是否「有用」？
研究团队围绕知识有效性开展了两类实验：其一，评估提取出的知识在对应文档相关的问答任务中的表现；其二，评估在有限轮次攻击下所提取知识对完整知识库的覆盖与支撑能力。实验结果表明，IKEA 不仅能够高效提取 RAG 系统中的信息，而且所提取的知识在问答任务中展现出良好的实用性，其性能接近于使用原始知识库时的表现。
图 3: 在三种不同知识库设定下的选择题 (MCQ) 与问答 (QA) 任务结果对比
表 2: 在不同防御与不同基线下提取的知识作为参考的选择题与问答任务结果对比
表 3: 基于不同攻击方法提取数据构建的 RAG 系统在完整知识库上的评估结果
总结