Computerwissenschaften - Kryptographie und Sicherheit

Ein frisches Framework kombiniert IDS und UEBA für bessere Bedrohungserkennung.

Erforschung von quantenbasierten Methoden für sichere und effiziente Datenabfragen.

Neue Methode verbessert das Energiemanagement in Multicore-Systemen, indem sie die Schätzung des Energieverbrauchs verfeinert.

Federated Learning bietet ne Möglichkeit, Daten zu schützen, während man über Geräte hinweg zusammenarbeitet.

Eine neue Methode erkennt problematische Geräte im föderierten Lernen, um Geschwindigkeit und Sicherheit zu verbessern.

Neue Methoden schützen Gehirndaten in der BCI-Technologie.

Entdecke, wie ein neues System den Datenschutz und die Verarbeitungsgeschwindigkeit für LLMs verbessert.

Lern, wie Unternehmen ML nutzen können, um DoS-Angriffe zu erkennen und zu verhindern.

NinjaDoH sichert deine DNS-Abfragen für eine sichere Internetnutzung.

Lern was über APTs und wie neue Erkennungsmethoden die Cybersicherheit verbessern.

FedBlock verbessert die Sicherheit des föderierten Lernens mit Blockchain-Technologie.

Visuelle Tools nutzen, um die Erkennung von Bedrohungen in Netzwerken zu verbessern.

Ein tiefer Einblick in das Tracking von Insider-Risiken in den Workflows von Support-Agenten.

Die Nützlichkeit von EPSS zur Vorhersage von Sicherheitsanfälligkeiten bewerten.

Lern, wie man neuronale Netzwerke rekonstruiert und was das für Folgen hat.

FedPID verbessert die Tumorsegmentierung und schützt gleichzeitig die Patientendaten.

CryptoEL bietet eine coole Möglichkeit für Kinder, etwas über digitale Sicherheit zu lernen.

Forschung zeigt, wie man Hyperparameter anpassen kann, um die Modellleistung zu verbessern.

Untersucht, wie quantum CORDIC die Berechnungen des Arkussinus in der Quantencomputing verbessert.

Eine Studie zur Verbesserung von Methoden zur Geräteidentifizierung für bessere IoT-Sicherheit.

Forschung zeigt die Risiken von Property-Inference-Angriffen auf GNNs und die Notwendigkeit von Datenschutz.

Eine neue Methode, um Trojaner-Hintertüren in neuronalen Netzen zu identifizieren.

Diese Studie untersucht, wie LLMs Domain-Generierungs-Algorithmen in der Cybersicherheit erkennen können.

Erfahre, wie Forscher nicht-kooperative RISs angehen, um die Kommunikationssicherheit zu verbessern.

Untersuchung der Schwachstellen von Spiking Neural Networks durch clevere Angriffs-Methoden.

Lerne, wie Föderiertes Lernen die Privatsphäre im maschinellen Lernen verbessert, während es neuen Bedrohungen gegenübersteht.

Neue Wege finden, um Geldwäsche durch Datenaustausch und maschinelles Lernen zu bekämpfen.

Mitgliedschaftsinferenzangriffe untersuchen, um den Datenschutz in fortgeschrittenen Modellen zu schützen.

Mit generativer KI Sicherheitskontrollen in Minuten statt Tagen erstellen.

Lern, wie fortschrittliche Techniken sensible medizinische Bilder während der Übertragung schützen.

Untersuchung der Auswirkungen von Ethereums EIP-4844 auf Builder und Rollups.

FedRISE verbessert das föderierte Lernen, indem es schlechte Datenaktualisierungen filtert, um das Modelltraining zu optimieren.

Forscher entwickeln Methoden, um Computern beizubringen, Rechnungen zu verarbeiten und dabei die Privatsphäre zu schützen.

Ein neuer Ansatz zur Erkennung von Online-Betrug mit Graph-Technologie.

Untersuchung von Schwachstellen in Wasserzeichenverfahren gegen Umschreibungsangriffe.

QuanCrypt-FL verbessert die Sicherheit im Föderierten Lernen mit fortschrittlichen Techniken.

Untersuchen, wie Transformer lernen und welche Herausforderungen sie bei Angriffen haben.

Die Risiken und Abwehrmechanismen von multimodalen Sprachmodellen in der KI untersuchen.

Untersuchen, wie fortgeschrittene Modelle die Analyse von Sicherheitslücken im Binärcode verbessern.

Diese Forschung hebt innovative Methoden für Datenschutz im kollaborativen maschinellen Lernen hervor.