Informática - Criptografía y seguridad

Un nuevo método basado en audio estima el tamaño de las multitudes sin invadir la privacidad personal.

Este artículo habla sobre el Ataque SpongeNet y su impacto en el consumo de energía en modelos de aprendizaje profundo.

Aprende cómo P3LS permite el intercambio seguro de datos en la manufactura.

Una mirada en profundidad a los ataques de soborno que amenazan los sistemas de blockchain.

Las puertas traseras arquitectónicas representan serios riesgos de seguridad en las redes neuronales, a menudo permaneciendo sin ser detectadas.

Un método para realizar pruebas bayesianas mientras se protege la privacidad individual.

Un nuevo método para gestionar el acceso a la base de datos con claridad y eficiencia.

Nuevas estrategias permiten que los ataques de troyanos eviten los métodos de detección de manera efectiva.

Una nueva solución detecta rastreadores en línea sin afectar el funcionamiento de los sitios web.

Aprende a proteger los datos de los usuarios en apps de Android de manera efectiva.

Examinando los riesgos de privacidad y soluciones para el seguimiento ocular en la realidad virtual.

Un nuevo enfoque mejora la privacidad al compartir datos multi-atributo de manera eficiente.

Una mirada detallada a la evaluación de expertos en inteligencia artificial y humanos en ciberseguridad por parte de CyberMetric.

Una mirada a cómo los algoritmos de caminata aleatoria mejoran la privacidad en el aprendizaje descentralizado.

Descubre el papel de las redes en la seguridad de la información contra amenazas cuánticas.

Este artículo revisa un modelo descentralizado para la atestiguación remota que mejora la seguridad.

La computación cuántica mejora el cálculo seguro multiparte al aumentar la privacidad y la eficiencia.

NeuroBench estandariza estudios de autenticación de ondas cerebrales para mejorar las técnicas de seguridad.

Este artículo trata sobre métodos para estimar las velocidades de los autobuses mientras se protege la privacidad.

Explorando cómo las empresas abordan el desarrollo de software seguro en un paisaje digital en evolución.

NU-HUNCC combina técnicas innovadoras para mensajería segura contra amenazas en evolución.

Un enfoque nuevo para identificar ataques de spear-phishing usando modelos de lenguaje avanzados.

Una iniciativa liderada por la comunidad para identificar indicaciones dañinas en modelos de T2I.

Entendiendo ataques de ejemplos inaprendibles a través de la teoría de juegos para una mejor protección de datos.

Este estudio destaca la importancia de la alta no linealidad en funciones booleanas para la criptografía.

Este estudio revisa las vulnerabilidades en modelos de IA utilizados para aplicaciones genómicas.

Los deepfakes representan riesgos para las libertades personales y la seguridad nacional.

SafeCoder mejora la seguridad del código generado por modelos de lenguaje.

Los LLMs personalizados generan preocupaciones de seguridad, especialmente con los ataques de puerta trasera en las instrucciones.

Una nueva herramienta ayuda a detectar vulnerabilidades de reentrada en contratos inteligentes de manera más efectiva.

Seagull mejora la verificación de rutas mientras asegura la privacidad de las configuraciones de red.

Los investigadores prueban trampas de copyright para detectar el entrenamiento de IA en contenido protegido.

Examinando los riesgos y impactos de las apps modificadas en los usuarios y desarrolladores.

Un nuevo marco se enfoca en los riesgos de seguridad en la nube con una mejor gestión del control de acceso.

Examinando la adaptabilidad de los modelos de aprendizaje automático en sistemas de detección de intrusiones.

Combinar el Aprendizaje Federado con técnicas de privacidad protege datos sensibles mientras se entrenan modelos.

Nuevos métodos en el aprendizaje federado protegen contra ataques mientras mantienen la privacidad de los datos.

Infórmate sobre los riesgos de EM-SCA y su impacto en la seguridad digital.

TSTEM mejora la inteligencia sobre amenazas cibernéticas a través de la recolección y análisis de datos automatizados.

Aprende cómo el fuzzing puede identificar vulnerabilidades en las configuraciones de FPGA, especialmente en dispositivos Xilinx.