Computerwissenschaften - Kryptographie und Sicherheit

Die Untersuchung von Datenschutzrisiken und Lösungen für Eye-Tracking in der virtuellen Realität.

Ein neuer Ansatz verbessert die Privatsphäre beim effizienten Teilen von Mehrfachattributdaten.

Ein detaillierter Blick auf CyberMetrics Bewertung von KI- und menschlichen Experten in der Cybersicherheit.

Ein Blick darauf, wie Random-Walk-Algorithmen die Privatsphäre bei dezentralem Lernen verbessern.

Entdeck die Rolle von Gittern beim Schutz von Informationen gegen Quantenbedrohungen.

Dieser Artikel beschäftigt sich mit einem dezentralen Modell für Remote Attestation, das die Sicherheit verbessert.

Quantencomputing verbessert die sichere Mehrparteienberechnung, indem es Privatsphäre und Effizienz steigert.

NeuroBench standardisiert Gehirnwellen-Authentifizierungsstudien für verbesserte Sicherheitstechniken.

Dieser Artikel behandelt Methoden zur Schätzung der Busgeschwindigkeiten, während die Privatsphäre geschützt wird.

Erforschen, wie Unternehmen mit sicherer Softwareentwicklung in einer sich ständig wandelnden digitalen Landschaft umgehen.

NU-HUNCC kombiniert innovative Techniken für sichere Nachrichtenübermittlung gegen sich entwickelnde Bedrohungen.

Ein frischer Ansatz zur Identifizierung von Spear-Phishing-Angriffen mithilfe fortschrittlicher Sprachmodelle.

Eine von der Community geleitete Initiative, um schädliche Eingaben in T2I-Modellen zu identifizieren.

Verstehen von unlernbaren Beispielangriffen durch Spieltheorie für besseren Datenschutz.

Diese Studie hebt die Bedeutung von hoher Nonlinearität in Booleschen Funktionen für die Kryptografie hervor.

Diese Studie untersucht Schwachstellen in KI-Modellen, die für genomische Anwendungen verwendet werden.

Deepfakes stellen Risiken für persönliche Freiheiten und die nationale Sicherheit dar.

SafeCoder verbessert die Sicherheit von Code, der von Sprachmodellen erzeugt wird.

Benutzerdefinierte LLMs werfen Sicherheitsbedenken auf, besonders bei Anweisungs-Backdoor-Angriffen.

Ein neues Tool hilft dabei, Reentrancy-Schwachstellen in Smart Contracts effektiver zu erkennen.

Seagull verbessert die Routing-Überprüfung und sorgt dabei für die Privatsphäre von Netzwerk-Konfigurationen.

Forscher testen Copyright-Fallen, um KI-Training an urheberrechtlich geschütztem Inhalt zu erkennen.

Die Risiken und Auswirkungen von modifizierten Apps für Nutzer und Entwickler unter die Lupe nehmen.

Ein neues Framework zielt auf Cloud-Sicherheitsrisiken mit verbessertem Zugriffsmanagement ab.

Untersuchung der Anpassungsfähigkeit von Machine-Learning-Modellen in Intrusion-Detection-Systemen.

Die Kombination von föderiertem Lernen mit Datenschutztechniken schützt sensible Daten während des Trainings von Modellen.

Neue Methoden im föderierten Lernen schützen vor Angriffen und wahren dabei die Datensicherheit.

Lerne die Risiken von EM-SCA kennen und wie sie sich auf die digitale Sicherheit auswirken.

TSTEM verbessert die Cybersicherheitsbedrohungsanalyse durch automatisierte Datensammlung und -analyse.

Lerne, wie Fuzzing Schwachstellen in FPGA-Konfigurationen aufdecken kann, besonders bei Xilinx-Geräten.

Ein neuer sicherer Ansatz zur Verwaltung von Gesundheitsdaten mit KI.

Der Artikel untersucht die Datenschutzbedrohungen bei dezentralen Lernmethoden und die Taktiken möglicher Angreifer.

Die Balance zwischen Privatsphäre und Lerntempo im Machine Learning erkunden.

Ein neues Framework soll das Management der Transaktionsgebühren in Blockchain-Netzwerken verbessern.

Forschung zeigt Schwächen in der Ganganalyse-Technologie von Smartphones.

Wasserzeichen können helfen, das Urheberrecht beim Training von KI-Modellen zu schützen, indem sie die Nutzung von Text nachweisen.

Eine neue Methode zur Eindringungserkennung in drahtlosen Sensornetzwerken mithilfe von maschinellem Lernen.

Dieser Artikel untersucht die Bedrohung durch Hintertürangriffe auf Sprachmodell-Agenten.

SPML verbessert die Sicherheit von Chatbots, indem es die Eingaben der Nutzer überwacht und die Definitionen verfeinert.

Dieser Artikel untersucht, wie Sprachmodelle ideologische Vorurteile aus den Trainingsdaten übernehmen können.