Computerwissenschaften - Kryptographie und Sicherheit

Neue Methoden zum Schutz der Privatsphäre beim Teilen von Informationen zwischen mehreren Gruppen.

Eine Methode, um Datenschutz- und Fairnessprobleme im maschinellen Lernen anzugehen.

Eine neuartige Methode, die TEEs nutzt, um Machine-Learning-Modelle im föderierten Lernen zu schützen.

Innovativer Ansatz für sichere Kommunikation in ressourcenlimitierten IoT-Geräten.

Eine neue Audio-Angriffsart birgt Risiken für sprachgesteuerte Geräte.

Dieser Artikel behandelt die Effektivität von Tools, die dafür entwickelt wurden, Smishing-Angriffe zu erkennen.

Ein neues Framework, um Schwachstellen in Smart Contracts zu erkennen und zu beheben.

Eine neue Methode kombiniert TEEs und verschlüsselte Schaltkreise für bessere Leistung bei Cloud-Aufgaben.

AIDPS verbessert die Sicherheit von Unterwasser-Sensornetzwerken gegen verschiedene Angriffe.

Ein Blick auf Gerätespuren und eine Methode, um die Privatsphäre der Nutzer zu schützen.

Neue Methode verbessert die Erkennung von unbekannten Angriffen in IoT-Umgebungen.

Dieser Artikel geht der Rolle von PETs in der Datensicherheit und ihren Anwendungen auf den Grund.

Die Komplexität von Datensicherheit und dem Vergessen in Machine Learning untersuchen.

Eine Methode, die Split Learning mit homomorpher Verschlüsselung kombiniert, verbessert den Datenschutz im maschinellen Lernen.

Eine Methode, um die Privatsphäre-Einstellungen zu optimieren für besseren Datenschutz und Nützlichkeit.

Forschung zeigt Schwächen darin, wie Tabellenmodelle getestet und bewertet werden.

Ein neues Framework sorgt dafür, dass Antworten mit synthetischen Daten für die Forschung vertrauenswürdig sind.

Ein Rahmenwerk, um die Privatsphäre der Nutzer in GNNs zu gewährleisten und gleichzeitig die Genauigkeit zu wahren.

Eine Methode namens HINT schützt Machine Learning vor schädlichen Datenangriffen.

Präsentation von XFedHunter für die fortschrittliche Erkennung und Analyse von APT-Angriffen in Netzwerken.

VulnSense nutzt fortschrittliche Methoden, um Schwachstellen in Ethereum-Smart Contracts zu erkennen.

Untersuchung der Effektivität von NTRU und der Einfluss von dihedralen Gruppen auf die kryptografische Sicherheit.

Ein Blick auf die Herausforderungen im Federated Learning durch Datenrekonstruktion attacks.

Ein Verfahren, das maschinelles Lernen auf verschlüsselten Daten ermöglicht, um die Privatsphäre der Nutzer zu schützen.

Ein Rahmenwerk, um die Privatsphäre in Empfehlungssystemen zu verbessern und gleichzeitig genaue Vorschläge zu garantieren.

Eine Studie zur Identifizierung der besten Option bei gleichzeitiger Gewährleistung der Datensicherheit.

Dieses Verfahren verbessert Empfehlungen und schützt gleichzeitig die Privatsphäre der Nutzerdaten.

Einführung eines Rahmens für bessere Anwendungsisolation und Ressourcenteilung.

Untersuchung von Methoden zur differenziellen Privatsphäre für sichere Datenanalysen.

Eine Studie über das Lernen von Gaussian-Mischungen bei gleichzeitiger Wahrung der individuellen Datensicherheit.

Neue Modelle verbessern die Identifizierung von Ponzi-Systemen in Kryptowährungen.

Eine neue Methode zur Verbesserung der CAN-Bus-Sicherheit mit Graph-Convolutional-Netzwerken.

In diesem Artikel werden Techniken besprochen, um bestimmte Bereiche innerhalb integrierter Schaltungen zu analysieren.

Erfahre mehr über die Risiken der Nutzung von Plugins auf LLM-Plattformen.

Neues Framework verbessert die Leistung der Verarbeitung von verschlüsselten Daten mit GPUs.

Finde heraus, wie Honigwörter die Passwortsicherheit verbessern und Benutzerkonten schützen können.

Ein neues Modell für Stablecoins zielt darauf ab, die Zuverlässigkeit zu verbessern und Investitionen zu fördern.

Akustische Angriffe bedrohen die Datensicherheit, indem sie durch das Aufnehmen von Tastaturgeräuschen Informationen sammeln.

Die Sicherheit von Maschinenlernmodellen gegen gegnerische Angriffe durch zertifizierte Robustheit verbessern.

Ein Protokoll für datenschutzfreundliche Linkvorhersage in verteilten Graphen vorstellen.