Informática - Criptografía y seguridad

Explorando la importancia de la seguridad y la retroalimentación de los usuarios en las aplicaciones de pago electrónico.

AFPNet ofrece una mejor detección de vulnerabilidades en contratos inteligentes usando técnicas de aprendizaje profundo.

Una mirada a los métodos de análisis de WebAssembly para ejecución segura.

Este estudio se centra en eliminar troyanos dañinos en modelos de lenguaje grande usando técnicas de filtrado.

Un nuevo enfoque para mejorar la seguridad en los protocolos de finanzas descentralizadas.

Las puertas traseras en los modelos de ML representan amenazas serias para las finanzas y la salud.

Descubre el papel de la isogenia en los métodos criptográficos modernos usando curvas elípticas.

Un nuevo enfoque para mejorar la detección de intrusiones usando aprendizaje automático.

Explorando los retos y avances en la protección de datos sensibles sin perder su utilidad.

Un nuevo marco mejora la seguridad y la eficiencia en el aprendizaje automático distribuido.

BoostCom acelera las tareas de comparación en FHE, mejorando la eficiencia para datos encriptados.

Las técnicas basadas en datos deben proteger la privacidad mientras identifican las mejores opciones.

El reto de combinar la privacidad diferencial con algoritmos sublineales en el análisis de datos.

Un nuevo marco mejora las interacciones de los administradores de contraseñas para un acceso en línea más seguro.

Una mirada al aprendizaje federado combinando la privacidad diferencial y blockchain para la seguridad de datos.

Un nuevo marco controla el aprendizaje en contexto para prevenir el mal uso en modelos de IA.

Este estudio revela cómo los ataques no adversariales impactan los algoritmos de incrustación de grafos de conocimiento.

Un nuevo marco evalúa métodos para anonimizar datos biométricos y mejorar la privacidad.

Examinando el impacto del deep learning en las técnicas de marcas de agua y los desafíos de seguridad.

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

Un nuevo método para la deduplicación de datos eficiente en el aprendizaje federado.

Un nuevo modelo mejora la privacidad de los datos mientras aumenta la precisión del aprendizaje automático.

Aprende a proteger compromisos sensibles de los escuchas.

Un estudio que revela fallos de seguridad en aplicaciones de pago móvil populares.

Explorando la privacidad diferencial a nivel de usuario en el entrenamiento de modelos de lenguaje grandes.

Explorando los beneficios del Aprendizaje Federado para la detección de anomalías en redes IoT.

Un estudio revela cómo los patrones de datos 5G pueden exponer la actividad de los usuarios.

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

Una mirada a los desafíos y soluciones de privacidad e integridad en el aprendizaje federado.

Un nuevo método combina LLMs con técnicas tradicionales de desensamblaje para un análisis efectivo.

Un diseño de TEE unificado mejora la colaboración entre CPU y NPU para una computación segura.

Abordar la contaminación de datos para mejorar la ciberseguridad y los sistemas de detección de anomalías.

Combinar redes neuronales con criptografía mejora los métodos de comunicación segura.

Un sistema para usar chatbots de forma anónima y proteger la identidad del usuario.

Un nuevo marco mejora la eficiencia en las pruebas y la detección de errores en las bibliotecas criptográficas.

Nuevos métodos abordan los riesgos de privacidad en la predicción de datos de movimiento humano.

Explorando el cambio digital y su impacto en la ciberseguridad marítima.

Este artículo habla sobre la importancia de los algoritmos de hashing en la tecnología blockchain.

Un método nuevo para comparar mecanismos de privacidad en el aprendizaje automático.

La investigación revela métodos automatizados para rastrear la censura en la web de manera efectiva.