Derniers articles pour Attaque par porte dérobée

Une nouvelle méthode aide à identifier les vulnérabilités cachées dans les modèles biométriques.

Une nouvelle méthode pour retrouver des échantillons backdoor sans avoir besoin de données propres.

Une étude révèle de nouvelles techniques pour des attaques par porte dérobée sur des modèles de langage avec un impact minimal.

Présentation de TABDet, une nouvelle méthode pour détecter les attaques par porte dérobée dans les tâches de traitement du langage naturel.

Des recherches montrent des risques de sécurité importants dans les modèles de chat à cause des attaques par porte dérobée.

La recherche met en avant les vulnérabilités des systèmes MNMT face aux attaques par backdoor.

Une nouvelle approche pour protéger les modèles linguistiques des déclencheurs de données nuisibles.

Explorer les défis de sécurité posés par l'apprentissage auto-supervisé et les attaques par porte dérobée sans étiquette.

Analyser les menaces et les défenses dans l'apprentissage fédéré contre les attaques malveillantes.

Un aperçu des attaques par porte dérobée ciblées dans les systèmes d'apprentissage fédéré.

BadFusion utilise les données de la caméra pour lancer des attaques backdoor sur les systèmes de conduite autonome.

Ce papier présente EFRAP, une défense contre les attaques par porte dérobée conditionnées par la quantification dans les modèles d'apprentissage profond.

Recherche sur la façon dont des agents nuisibles peuvent corrompre de bons agents dans l'apprentissage par renforcement décentralisé.

Une approche économe en ressources pour les attaques par porte dérobée sur des modèles d'apprentissage automatique avancés.

Une nouvelle méthode réduit les menaces de porte dérobée dans les réseaux de neurones profonds.

Cet article examine les risques de sécurité liés aux attaques backdoor sur l'apprentissage automatique dans les systèmes de graphes.

De nouvelles méthodes luttent contre les attaques par backdoor sur les modèles d'apprentissage automatique pour plus de sécurité.

On propose une méthode pour créer des triggers de backdoor invisibles dans les modèles de diffusion.

Découvrir les risques posés par les attaques par porte dérobée sur les systèmes intelligents.

De nouvelles méthodes comme PromptFix aident à sécuriser les modèles de langue contre les menaces cachées.

Présentation d'une méthode pour évaluer la résilience des modèles face aux attaques par empoisonnement de données.

Explorer les vulnérabilités dans l'apprentissage fédéré personnalisé et les nouvelles méthodes d'attaque par porte dérobée.

Une nouvelle méthode cible les changements de rythme pour des attaques de discours discrètes.

Cet article explore l'impact du poisoning des données sur l'alignement des modèles de langage.

Apprends comment les attaques par backdoor menacent les systèmes d'apprentissage machine et les méthodes pour s'en défendre.

Une nouvelle stratégie de défense pour les LLM contre les attaques backdoor.

Une nouvelle méthode s'attaque aux menaces cachées dans les grands modèles de langage.

Examiner les risques et les défenses contre les attaques par porte dérobée dans les modèles d'IA.

Explorer les attaques par backdoor et les méthodes de réduction de graphes dans les GNN.

Venomancer est une attaque discrète en backdoor sur les systèmes d'apprentissage fédéré.

Une nouvelle méthode de défense pour améliorer la sécurité dans les modèles de diffusion texte-image.

Les inquiétudes grandissent concernant les attaques par porte dérobée dans les modèles de langage, affectant la sécurité et la fiabilité.

Examiner les vulnérabilités des modèles de langage clinique et leur impact sur la sécurité des patients.

De nouvelles méthodes visent à sécuriser les modèles d'apprentissage automatique contre les menaces de porte dérobée.

De nouveaux modèles aident les développeurs, mais les attaques par porte dérobée posent de sérieux risques de sécurité.

Une nouvelle approche pour renforcer la sécurité dans l'apprentissage fédéré contre les attaques backdoor.

Une nouvelle méthode renforce la sécurité des modèles d'apprentissage profond contre les menaces cachées.

Une nouvelle méthode vise à sécuriser l'apprentissage semi-supervisé contre les menaces de backdoor.

Cet article parle de la protection des GNN contre le poisoning de données et les attaques par porte dérobée.

Analyse des techniques efficaces d'attaque par backdoor clean-label en apprentissage automatique.