Informatique - Cryptographie et sécurité

Un système de filigrane pour protéger les œuvres créatives contre une utilisation abusive par des modèles génératifs.

Le radio fingerpinting renforce la sécurité des satellites contre les attaques de spoofing et de replay.

Explorer des méthodes pour détecter la fraude dans la DeFi en utilisant des techniques d'analyse de données avancées.

Des avancées dans la recherche sur un nouveau dataset et des méthodes pour identifier la fraude liée au Bitcoin.

Cette étude examine les attaques sur les réseaux de distribution d'eau et propose des méthodes pour mieux détecter les fuites.

Cet article examine les implications de la vie privée de la régression par processus gaussien en apprentissage automatique.

FairDP propose une solution pour garantir la confidentialité et l’équité dans les systèmes d’apprentissage automatique.

Un nouveau modèle améliore la détection des menaces cyber dans les environnements cloud.

Une nouvelle méthode améliore l'anonymat dans les signatures en anneau pour une meilleure sécurité.

Examiner le rôle des techniques FPGA pour améliorer la sécurité matérielle.

Explorer le potentiel de la cryptographie basée sur les réseaux face aux menaces de l'informatique quantique.

vFedSec propose une formation sécurisée et efficace pour des modèles d'apprentissage machine dans des environnements fédérés.

Un nouveau modèle améliore la précision de détection des vulnérabilités en utilisant des techniques d'apprentissage profond.

Atteindre l'interopérabilité entre les CBDC pour améliorer les transactions et la confiance dans le système financier.

Explorer des outils pour une évaluation plus claire des preuves dans les enquêtes sur les crimes liés aux cryptomonnaies.

Des recherches montrent l'impact des mineurs égoïstes sur l'efficacité des blockchains DAG.

Une nouvelle approche pour des messages sécurisés sans révéler l'identité de l'expéditeur ou du destinataire.

Examiner la confiance et l'éthique autour du protestware dans les logiciels open source.

Ce papier examine les dangers de se fier aux données générées pour l'entraînement des modèles de langage.

Un nouveau protocole pour protéger la vie privée des utilisateurs dans le découpage des réseaux 5G.

PPA-AFL améliore la confidentialité des données dans l'apprentissage machine collaboratif entre appareils.

Examiner la répartition du pouvoir de vote dans les cadres de gouvernance de Compound et Uniswap.

Une méthode pour utiliser les LLM de façon sécurisée et efficace tout en protégeant la vie privée des utilisateurs.

Examiner comment les classificateurs sélectifs préservent la vie privée et la précision des prédictions.

L'apprentissage incrémental améliore l'apprentissage automatique, mais fait face à de grosses menaces avec les attaques par porte dérobée.

Examiner l'interaction entre les méthodes de communication et la vie privée dans les espaces virtuels.

Cette étude examine comment les opérateurs de réseau se sont adaptés pendant le conflit Russie-Ukraine.

Un aperçu de comment la vie privée différentielle protège les infos individuelles dans l'analyse de données.

Un aperçu de l'optimisation convexe différentiellement privée pour la protection des données dans l'apprentissage automatique.

UMD propose une nouvelle méthode pour identifier efficacement des attaques complexes par backdoor.

Un nouveau cadre améliore l'évaluation des modèles de NLP face aux attaques adversariales.

Une étude sur l'efficacité des attaques de quartier pour révéler des données d'entraînement.

Un aperçu des techniques pour identifier les filigranes dans les textes générés par IA.

RowHammer menace l'intégrité des données dans les systèmes de mémoire à large bande.

Cette technique améliore la génération de cas de test pour les applis de deep learning.

Découvrez comment le filigrane réversible protège les réseaux de neurones profonds contre les abus.

Un nouveau cadre améliore la détection des chemins d'attaque cyber.

Examiner l'efficacité et les défis des ensembles de données non apprenables pour protéger les infos privées.

L'apprentissage fédéré améliore l'entraînement des modèles tout en gardant les données des utilisateurs privées.

T800 propose une solution de sécurité efficace pour les appareils IoT vulnérables.