Neuste Artikel für Sicherheit in der Technik

MLGuard bietet ein Framework für sichere und zuverlässige Machine-Learning-Anwendungen.

Adv3D bringt realistische 3D-adversariale Beispiele für selbstfahrende Autosysteme.

Eine neue Methode für sichere Roboternavigation unter Berücksichtigung physischer Risiken in komplexen Umgebungen.

Ein Benchmark zur Überprüfung von neuronalen Netzwerken, die in einfachem C programmiert sind.

Eine neue Methode verbessert die Anpassungsfähigkeit von AV-Modellen an Änderungen des Kamerawinkels.

Die Rolle von Testwerkzeugen bei der sicheren Bildgenerierung untersuchen.

Sicherheitsmassnahmen für Machine-Learning-Systeme in kritischen Bereichen besprechen.

Die Notwendigkeit von Sicherheit und Vertrauen in KI-Systeme erkunden.

Ein Rahmenwerk, das Sicherheit im Reinforcement Learning priorisiert.

Ein Blick auf die Bedeutung von Modellverifikation für die Sicherheit in KI-Systemen.

Neue Methoden verbessern die Vorhersagen für das Management von abgebranntem nuclearen Brennstoff.

Erkunde, wie datengestützte Sicherheitsfilter die Sicherheit in lernbasierten Systemen aufrechterhalten.

Ein neuer Ansatz, um neuronale Netzwerke während des Betriebs zu überwachen und ihre Zuverlässigkeit zu gewährleisten.

Neue Methoden verbessern die sichere Navigation für autonome Systeme durch innovative Steuerungsstrategien.

Neue Methoden verbessern die Sicherheitsüberprüfung von Bayesian Neural Networks gegen Angriffe.

Neue Methoden verbessern die Entscheidungsfindung in der KI und sorgen dabei für Sicherheit und Effizienz.

Diese Studie bewertet die Sicherheit von DNNs beim Umgang mit unbekannten Fahrdaten.

Ein Blick auf Kontrollbarrierenfunktionen für sicheren Betrieb in der Technik.

Ein Blick auf sichere Reinforcement-Learning-Techniken und deren Anwendungen in der realen Welt.

Eine neue Methode verbessert die Sicherheit für Roboter, die sich in komplexen Umgebungen bewegen.

Eine neue Methode verbessert, wie Roboter Benutzeranweisungen sicher interpretieren.

Sicherheitsmassnahmen untersuchen, um Überconfidence bei KI-Systemen für autonome Fahrzeuge anzugehen.

Ein neues Konzept zur Verbesserung von Sicherheit und Leistung in hybriden Robotersystemen.

Eine Übersicht über verteilte Systeme, Synchronisation und Sicherheitsmethoden.

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

Ein neuer Ansatz, um Sicherheit im Offline-Verstärkungslernen zu gewährleisten.

Eine neue Methode zielt darauf ab, die Sicherheit und Nützlichkeit grosser Sprachmodelle zu verbessern.

Ein neues Framework verbessert die Sicherheit von UGVs in komplexen Umgebungen.

Eine Studie über abgeschirmtes Deep Reinforcement Learning für sichere Raumfahrt-Autonomie.

Eine neue Methode verbessert die Sicherheitsfunktionen in multimodalen KI-Systemen, ohne dass man viel trainieren muss.

Ein Leitfaden zur Kombination von KI mit Robotern für sicherere und effizientere Abläufe.

Neue Methoden verbessern die Sicherheit im Reinforcement Learning, während sie die Leistung in eingeschränkten Umgebungen optimieren.

Die DeepKnowledge-Methode verbessert die Zuverlässigkeit von DNNs in kritischen Anwendungen.

Eine neue Methode verbessert die OOD-Erkennung, indem sie sich auf Gradienteninformationen konzentriert.

Die Forschung konzentriert sich darauf, die Verifizierung von neuronalen Netzen mit minimalen NAP-Spezifikationen zu verbessern.

DEXTER verbessert die Sicherheit von KI, indem es die Erkennung von Daten ausserhalb des Verteilung erhöht.

Eine Studie, die die Sicherheitsleistung von beliebten Sprachmodellen vergleicht.

Die Kombination von OOD-Erkennung und konformer Vorhersage verbessert die Zuverlässigkeit des Modells.

Lern, wie das Zerlegen von komplexen Aufgaben Robotern hilft, effektiv zu navigieren.

Ein neues Datenset bewertet, wie Sprachmodelle mit schädlichem Inhalt in verschiedenen Kulturen umgehen.