Últimos artículos para Ataque de puerta trasera

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.

Presentamos PAD-FT, un método ligero para combatir ataques de backdoor sin necesidad de datos limpios.

Presentamos PureDiffusion para mejorar los mecanismos de defensa contra amenazas de puerta trasera.

Te presentamos TA-Cleaner, un método para mejorar las defensas de modelos multimodales contra la contaminación de datos.

TrojVLM expone vulnerabilidades en los Modelos de Lenguaje Visual a ataques de puerta trasera.

Un nuevo método genera preocupaciones de seguridad en los sistemas de EEG, a la vez que destaca posibles usos protectores.

MASA ofrece una solución para mejorar la seguridad en los sistemas de Aprendizaje Federado.

Examinando las vulnerabilidades de las Redes Neuronales de Espigas a través de métodos de ataque ingeniosos.

Proteger los modelos de regresión profunda de amenazas ocultas es clave para la seguridad.

ProP ofrece una forma efectiva de detectar ataques por la puerta de atrás en modelos de aprendizaje automático.

Un nuevo método ayuda a proteger los modelos de lenguaje de ataques maliciosos de puerta trasera.

Una mirada a cómo los trucos ocultos afectan a los modelos de lenguaje y sus explicaciones.

Descubre cómo proteger las máquinas de ataques de backdoor en el aprendizaje autogestionado.

Explora cómo los ataques de puerta trasera amenazan el diseño de hardware usando modelos de lenguaje grandes.

La investigación destaca métodos para detectar ataques de puerta trasera en el ajuste fino de modelos de lenguaje.

Descubre cómo PAR ayuda a proteger los modelos de IA de amenazas ocultas.

Explorando los riesgos de ataques backdoor en el aprendizaje automático y sus implicaciones.

La investigación revela vulnerabilidades en los Modelos de Lenguaje de Código contra ataques de puerta trasera.

Entendiendo las amenazas de seguridad que enfrentan las interfaces cerebro-computadora hoy en día.

Un método proactivo que utiliza Modelos de Lenguaje Visual busca detectar ataques de backdoor ocultos.

Un nuevo enfoque mejora la seguridad en el aprendizaje federado al centrarse en las defensas del lado del cliente.

Los BCIs ofrecen nuevas posibilidades, pero enfrentan serias amenazas de seguridad por ataques de puerta trasera.

Descubriendo los peligros de los ataques backdoor en modelos de difusión.

Descubre cómo los ataques de puerta trasera desafían la seguridad de los modelos de lenguaje impulsados por IA.