Derniers articles pour Attaque par porte dérobée

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.

Examiner les vulnérabilités et les attaques potentielles sur la technologie NeRF.

Ce document examine les attaques backdoor et leurs implications sur la sécurité de l'apprentissage automatique.

Cette étude examine l'efficacité des attaques par backdoor physique en clean-label dans les réseaux de neurones profonds.

Cet article parle d'une méthode pour introduire des portes dérobées dans les réseaux de neurones pendant l'entraînement.

Un aperçu des faiblesses des LLM et des stratégies pour les améliorer.

Examiner comment les indices émotionnels peuvent détourner la technologie d'identification des locuteurs.

Examen des vulnérabilités et des défenses dans les modèles de diffusion pour une génération de contenu sûre.

De nouvelles méthodes révèlent des vulnérabilités dans les modèles médicaux grâce à des attaques par porte dérobée.

Cette étude examine la vulnérabilité des modèles VSS aux attaques par porte dérobée.

Une nouvelle approche améliore l'efficacité des attaques par porte dérobée sur les modèles de NLP.

Cet article parle d'une méthode pour manipuler des réseaux neuronaux sans déclencheurs.

EmoAttack utilise la conversion vocale émotionnelle pour exploiter les failles des systèmes de parole.

Enquêter sur les attaques par porte dérobée et leurs risques pour les systèmes de détection d'objets.

NoiseAttack modifie plusieurs classes dans des attaques backdoor en utilisant des motifs de bruit subtils.

Apprends comment des déclencheurs cachés peuvent manipuler les modèles de langage et poser des risques sérieux.

Examiner comment des points de données importants attirent plus de risques de sécurité dans le machine learning.

Une étude révèle des vulnérabilités dans les modèles d'IA à cause des attaques par porte dérobée.

Explorer les vulnérabilités des systèmes multi-agents coopératifs face aux attaques par porte dérobée.