Últimos artículos para Ataque de puerta trasera

Descubriendo los riesgos que representan los ataques de puerta trasera en sistemas inteligentes.

Nuevos métodos como PromptFix ayudan a proteger los modelos de lenguaje de amenazas ocultas.

Presentando un método para evaluar la resistencia de los modelos contra ataques de envenenamiento de datos.

Explorando vulnerabilidades en el Aprendizaje Federado Personalizado y los nuevos métodos de ataque backdoor.

Nuevo método apunta a cambios de ritmo para ataques de habla sigilosos.

Este artículo explora el impacto de la contaminación de datos en la alineación de modelos de lenguaje.

Aprende cómo los ataques de puerta trasera amenazan los sistemas de aprendizaje automático y los métodos para defenderse de ellos.

Una nueva estrategia de defensa para LLMs contra ataques de puerta trasera.

Un nuevo método aborda las amenazas ocultas en los modelos de lenguaje grandes.

Examinando riesgos y defensas contra ataques de puerta trasera en modelos de IA.

Explorando ataques backdoor y métodos de reducción de grafos en GNNs.

Venomancer es un ataque sigiloso de puerta trasera en sistemas de aprendizaje federado.

Un nuevo método de defensa para mejorar la seguridad en modelos de difusión de texto a imagen.

Crece la preocupación por ataques de puerta trasera en modelos de lenguaje, afectando la seguridad y la confiabilidad.

Examinando las vulnerabilidades en modelos de lenguaje clínico y su impacto en la seguridad del paciente.

Nuevos métodos buscan proteger los modelos de aprendizaje automático contra amenazas de puertas traseras.

Los nuevos modelos ayudan a los desarrolladores, pero los ataques de puerta trasera representan serios riesgos de seguridad.

Un nuevo enfoque para mejorar la seguridad en el aprendizaje federado contra ataques de puerta trasera.

Un nuevo método mejora la seguridad de los modelos de aprendizaje profundo contra amenazas ocultas.

Un nuevo método busca asegurar el aprendizaje semi-supervisado contra amenazas de puerta trasera.

Este artículo habla sobre cómo proteger a las GNNs de ataques de envenenamiento de datos y puertas traseras.

Analizando técnicas efectivas de ataque backdoor clean-label en aprendizaje automático.

Examinando las vulnerabilidades y posibles ataques a la tecnología NeRF.

Este documento analiza los ataques por backdoor y sus implicaciones en la seguridad del aprendizaje automático.

Este estudio examina la efectividad de los ataques encubiertos de etiqueta limpia en redes neuronales profundas.

Este artículo habla sobre un método para introducir puertas traseras en redes neuronales durante el entrenamiento.

Una mirada a las debilidades en los LLMs y estrategias para mejorarlos.

Examinando cómo las señales emocionales pueden sabotear la tecnología de identificación de hablantes.

Examinando vulnerabilidades y defensas en modelos de difusión para una generación de contenido segura.

Nuevos métodos exponen vulnerabilidades en modelos médicos a través de ataques por puerta trasera.

Este estudio investiga la vulnerabilidad de los modelos VSS a ataques de puerta trasera.

Un nuevo enfoque mejora la efectividad de los ataques backdoor en modelos de PLN.

Este artículo habla sobre un método para manipular redes neuronales sin disparadores.

EmoAttack usa conversión de voz emocional para aprovechar vulnerabilidades en sistemas de habla.

Investigando ataques por backdoor y los riesgos que tienen para los sistemas de detección de objetos.

NoiseAttack altera múltiples clases en ataques de puerta trasera usando patrones de ruido sutiles.

Aprende cómo los desencadenantes ocultos pueden manipular modelos de lenguaje y representar riesgos serios.

Examinando cómo los datos importantes atraen más riesgos de seguridad en el aprendizaje automático.

Un estudio revela vulnerabilidades en modelos de IA debido a ataques de puerta trasera.

Explorando las vulnerabilidades de los sistemas multiagente cooperativos a ataques de puerta trasera.