Últimos artículos para Seguridad en la tecnología

MLGuard ofrece un marco para aplicaciones de aprendizaje automático seguras y confiables.

Adv3D presenta ejemplos adversariales en 3D realistas para sistemas de coches autónomos.

Un nuevo método para la navegación segura de robots considerando riesgos físicos en entornos complejos.

Presentando un referente para verificar redes neuronales codificadas en C simple.

Un nuevo método mejora la adaptabilidad de los modelos AV a los cambios en el punto de vista de la cámara.

Examinando el papel de las herramientas de prueba para asegurar la generación segura de imágenes.

Hablando de medidas de seguridad para sistemas de aprendizaje automático en áreas críticas.

Explorando la necesidad de seguridad y confianza en los sistemas de IA.

Presentamos un marco que prioriza la seguridad en el aprendizaje por refuerzo.

Una mirada a la importancia de la verificación de modelos para la seguridad en los sistemas de IA.

Nuevos métodos mejoran las predicciones para la gestión del combustible nuclear gastado.

Explora cómo los Filtros de Seguridad Basados en Datos mantienen la seguridad en sistemas de aprendizaje.

Un nuevo enfoque para monitorear redes neuronales durante su funcionamiento para asegurar su fiabilidad.

Nuevos métodos mejoran la navegación segura para sistemas autónomos a través de estrategias de control innovadoras.

Nuevos métodos mejoran la verificación de seguridad de las Redes Neurales Bayesianas contra ataques.

Nuevos métodos mejoran la toma de decisiones en IA mientras aseguran seguridad y eficiencia.

Este estudio evalúa la seguridad de las DNNs al manejar datos de conducción desconocidos.

Una mirada a las funciones de barrera de control para una operación segura en tecnología.

Una mirada a técnicas seguras de aprendizaje por refuerzo y sus aplicaciones en el mundo real.

Un nuevo método mejora la seguridad de los robots que navegan en entornos complejos.

Un nuevo método mejora cómo los robots interpretan las instrucciones de los usuarios de manera segura.

Explorando medidas de seguridad para enfrentar la sobreconfianza en los sistemas de IA de vehículos autónomos.

Un nuevo marco para mejorar la seguridad y el rendimiento en sistemas robóticos híbridos.

Una visión general de sistemas distribuidos, sincronización y métodos de seguridad.

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

Un nuevo enfoque para garantizar la seguridad en el aprendizaje por refuerzo offline.

Un nuevo método busca mejorar la seguridad y utilidad de los modelos de lenguaje grandes.

Un nuevo marco mejora la seguridad de los UGV en entornos complejos.

Un estudio sobre Aprendizaje por Refuerzo Profundo Blindado para la autonomía segura de naves espaciales.

Un nuevo método mejora las características de seguridad en sistemas de IA multimodal sin necesidad de un entrenamiento extenso.

Una guía sobre cómo combinar IA con robots para operaciones más seguras y eficientes.

Nuevos métodos mejoran la seguridad en el aprendizaje por refuerzo mientras optimizan el rendimiento en entornos con restricciones.

El método DeepKnowledge mejora la fiabilidad de las DNNs en aplicaciones críticas.

Un nuevo método mejora la detección OOD al centrarse en la información del gradiente.

La investigación se centra en mejorar la verificación de redes neuronales con especificaciones NAP mínimas.

DEXTER mejora la seguridad de la IA al mejorar la detección de datos fuera de distribución.

Un estudio que compara el rendimiento en seguridad de los modelos de lenguaje populares.

Combinar la detección de OOD con la Predicción Conforme mejora la fiabilidad del modelo.

Aprende cómo descomponer tareas complejas ayuda a los robots a navegar de manera efectiva.

Un nuevo conjunto de datos evalúa cómo los modelos de lenguaje manejan contenido dañino en diferentes culturas.